Ruprecht-Karls-Universität Heidelberg
Bilder vom Neuenheimer Feld, Heidelberg und der Universität Heidelberg

Statistical Methods for Computational Linguistics

Kursbeschreibung

Studiengang Modulkürzel Leistungs-
bewertung
BA-2010 FF-SM 6 LP
NBA FF-SM 6 LP
Magister - -
Dozenten/-innen Stefan Riezler, Sascha Fendrich
Veranstaltungsart Vorlesung/Übung
Erster Termin 18.10.2011
Zeit und Ort Di, 11:1512:45, INF 325 / SR 23
  Di, 16:1517:45, INF 325 / SR 23

Teilnahmevoraussetzungen

Grundlagen der Wahrscheinlichkeitstheorie und Linearen Algebra, z.B. aus Mathematischem Grundkurs

Leistungsnachweis

  • Aktive und regelmässige Teilnahme
  • Bearbeitung der Übungsaufgaben
  • Klausur

Die Teilnahme an Vorlesung und Übung ist verpflichtend.

Inhalt

Die Vorlesung stellt zentrale Konzepte der Statistical Learning Theory vor, und exemplifiziert diese anhand grundlegender Methoden zur Klassifikation, Regression, etc. Der Fokus der Vorlesung liegt auf Kernel-basierten Methoden und den diesen zugrundeliegenden theoretischen Fundamenten.

Mögliche Themenbereiche der Verlesung sind:

  • Risk und Loss Funktionen
  • Lineare Modelle für Klassifizierung, Regression, etc.
  • Kernel-basierte Methoden
  • Optimierungstheorie
  • Generalisierungstheorie

Literatur

Grundlage der Vorlesung ist

  • Schölkopf & Smola (2002). Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.

Weiterführende Literatur:

  • Christianini & Shawe-Taylor (2000). An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press.
  • Shawe-Taylor & Christianini (2004). Kernel Methods for Pattern Analysis. Cambridge.
  • Abney (2008). Semisupervised Learning. Chapman & Hall.
  • Hastie, Tibshirani, Friedman (2001). The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer.

» weitere Kursmaterialien

zum Seitenanfang