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
Veranstaltungsart Vorlesung/Übung
Erster Termin 23.10.2014
Zeit und Ort Di, 16:1517:45, INF 306 / SR 19 (SR)
  Do, 11:1512:45, INF 306 / SR 14 (SR)
Commitment-Frist 18.01.2015

Teilnahmevoraussetzungen

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

Leistungsnachweis

  • Regelmäßige Teilnahme an Vorlesung und Übung
  • Bearbeitung der Übungsaufgaben
  • Klausur

Inhalt

Die Vorlesung stellt zentrale Konzepte des statistischen maschinellen Lernens vor, und exemplifiziert diese anhand grundlegender Methoden zur Klassifikation, Regression, etc. Der Fokus der Vorlesung liegt einerseits auf der Vermittlung theoretischer Fundamente maschinellen Lernens, andererseits auf der praktischen Umsetzung in effiziente Lernalgorithmen.

Mögliche Themenbereiche der Vorlesung sind:

  • Risk und Loss-Funktionen
  • Optimierungstheorie
  • Generalisierungstheorie
  • Lineare Modelle und Nicht-Lineare Modelle für Klassifizierung, Regression, etc.
  • Effiziente Algorithmen

Literatur

  • Schölkopf & Smola (2002). Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond . MIT Press.
  • Abney (2008). Semisupervised Learning . Chapman & Hall.
  • Kulkarni, Harman (2011). An Elementary Introduction to Statistical Learning Theory . Wiley.
  • Hastie, Tibshirani, Friedman (2011). The Elements of Statistical Learning. Data Mining, Inference, and Prediction . Springer.
  • Kevin Murphy (2012). Machine Learning. A Probabilistic Perspective . MIT Press.

» weitere Kursmaterialien

» Tutoriums-Seite

zum Seitenanfang