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 22.10.2015
Zeit und Ort Di, 14:1515:45, INF 306 / SR 13 (SR)
  Do, 16:1517:45, INF 306 / SR 13 (SR)
Commitment-Frist 20.01.2016

Teilnahmevoraussetzungen

  • Mathematischer Vorkurs bzw. äquivalente Kenntnisse der Grundlagen der Wahrscheinlichkeitstheorie und Linearen Algebra.
  • Formale Grundlagen der Computerlinguistik: Mathematische Grundlagen.

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 und Nicht-Lineare Modelle für Klassifizierung, Regression, etc.
  • Effiziente Algorithmen

Kursübersicht

Seminarplan

Datum Sitzung Materialien

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