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, Schigehiko Schamoni |
| Veranstaltungsart | Vorlesung/Übung |
| Erster Termin | 23.10.2012 (Erste Übung: 29.10.) |
| Zeit und Ort | Mo, 09:15–10:45, INF 306 / SR 19 (SR) |
| Di, 11:15–12:45, INF 327 / SR 4 (SR) | |
| Commitment-Frist | 6. Dezember – 30. Januar |
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 für Klassifizierung, Regression, etc.
- Kernel-basierte Methoden
- Dualität
- Effiziente Algorithmen
Literatur
Grundlage der Vorlesung ist
- Schölkopf & Smola (2002). Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond . MIT Press.
Weiterführende Literatur:
- Abney (2008). Semisupervised Learning . Chapman & Hall.
- Hastie, Tibshirani, Friedman (2008). The Elements of Statistical Learning. Data Mining, Inference, and Prediction . Springer.
- Kevin Murphy (2012). Machine Learning. A Probabilistic Perspective. MIT Press.
- Shawe-Taylor & Christianini (2004). Kernel Methods for Pattern Analysis . Cambridge.
- Christianini & Shawe-Taylor (2000). An Introduction to Support Vector Machines and other kernel-based learning methods . Cambridge University Press.
