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, 16:15–17:45, INF 306 / SR 19 (SR) |
Do, 11:15–12:45, 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.