Formale Grundlagen der Computerlinguistik: Mathematische Grundlagen - FF-FM
Kursbeschreibung
| Studiengang | Modulkürzel | Leistungs- bewertung |
|---|---|---|
| BA-2010 | FF-FM | 6 LP |
| Dozenten/-innen | Mayumi Ohta |
| Veranstaltungsart | |
| Sprache | Deutsch |
| Erster Termin | 21.04.2021 |
| Zeit und Ort | Mittwoch, 16:15-17:45, Online (asynkron) |
| Commitment-Frist | 18. Juli 2021 |
Nachklausur
- Termin: 18. Okt. 2021, 14:30 - 16:00 (90 min)
- Ort: SR3 INF 327
- Commitment: per Email
- Commitmentfrist: 4. Okt. 2021
Klausur
- Termin: 28. Juli. 2021, 14:30 - 16:00 (90 min)
- Ort: HS 1 INF 308
- Commitment: via LSF
- Commitmentfrist: 18. Juli. 2021
Anmeldung zur Vorlesung
Für die Teilnahme ist eine Anmeldung erforderlich.
Einteilung der Übungsgruppen
Neben der Vorlesung werden zwei Tutoriumstermine angeboten:
- Dienstags 14:15-15:45, heiConf (erste Sitzung: 20. April 2021)
- Freitags 14:15-15:45, heiConf (erste Sitzung: 23. April 2021)
Bitte registrieren Sie sich im MÜSLI. Die Teilnahme eines Tutoriums ist freiwillig (wird allerdings stark empfohlen).
Kontakt
- Dozentin: ohta [at] cl.uni-heidelberg.de
- Tutoren: mathe [at] cl.uni-heidelberg.de
Teilnehmerkreis
Für Studierende der Computerlinguistk (mind 25%). Andere Studierende sind nicht zugelassen.
Teilnahmevoraussetzungen
keine
(empfohlen: Einführung in die Computerlinguistik, Einführung in die Logik, Programmieren I)
Leistungsnachweis
- erfolgreiche Bearbeitung der Übungsaufgaben
- Bestehen der Klausur
Inhalt
Die Veranstaltung bietet eine Einführung in die formalen und mathematischen Methoden, die für die Modellierung von computerlinguistischen Problemen grundlegend sind, insbesondere Grundbegriffe der Wahrscheinlichkeitstheorie und Statistik, der Analysis sowie der linearen Algebra.
Teil 1: Lineare Algebra
- Matrizenarithmetik, Lp-Norm
- Linearkombination, Lineartransformation, Basis
- Lineares Gleichungssystem, Determinant, Inverse
- Eigenwert, Eigenvektor, Diagonalisierung
- Vektorraum, Linearität
Teil 2: Analysis
- Injektiv, Surjektiv, Bijektiv; Maximum, Minimum, Infimum, Supremum
- Stetigkeit, Differenzierbarkeit; Monotonie, Beschränktheit; Grentzwert, Konvergenz
- Folge, Reihe; Mathematische Induktion
- Fundamentalsatz der Analysis, Partielle Ableitung, Gradient, Jacobian, Hessian
Teil 3: Statistik und Wahrscheinlichkeitstheorie
- Deskriptive Statistik: Erwartungswert, Varianz, Kovarianz; Mittelwert, Median, Modus
- Normal-verteilung, Poisson-verteilug, Binomial-, Multinomialverteilung
- Infferenzstatistik: Konfidenzinterval, Parameter-Schätzung, zentraler Grenzwertsatz
- Bayessche Statistik: Bedingte Wahrscheinlichkeit, Satz von Bayes
- Kulback-Leibler Divergenz, Entropie, Kreuzentropie, Maximum Likelihood Estimation
