Einführung und Motivation Merkmalsextraktion Einfache Klassifikatoren: Perceptron und K-Nearest Neighbour. Bias-Varianz Dilemma.Statistische Grundlagen: Verteilungsfunktion, Unabhängigkeit, Erwartungswerte. Parameterschätzung. Hypothesentests und Konfidenzintervalle. Bayes Theorem. Entscheidungstheorie. Multivariate Statistik: multivariate Normalverteilung, Kovarianzmatrix, Transformation von Zufallsvariablen Optimale Klassifikation für multivariat normalverteilte Merkmale (LDA, QDA). Diagonalisierung, Eigenwertzerlegung, Rayleigh-Quotient, KLT, PCA. Regression und Least-Squares.
Je nach Interessenslage der Hörer und Zeitbudget können auch noch andere Themen behandelt (bzw. gestreift) werden, z.B. "Bayes Inference" oder "Gaussian Processes".
Schriftliche Prüfung
ECTS Breakdown: 3 ECTS = 75h
28h 14 VO-Einheiten
47h Erarbeiten des Stoffs aus dem Skriptum, Lektüre von Fachliteratur
-----
75h
Der vorhergehende Besuch einer Statistik-Vorlesung wird empfohlen. Grundkenntnisse in linearer Algebra (Invertierbarkeit, Rang, lineare Unabhängigkeit) sind von Vorteil.