overview and motivation feature extraction simple classifiers: perceptron multivariate statistics: multivariate normal distribution, covariance matrix, transformation of random variables Bayes' theorem loss and risk regression and pseudo-inverse optimal classification for features with multivariat normal distribution , bounds on the error-rate, minimax linear feature extraction: diagonalization, eigenvalue decomposition, Rayleigh-quotient, KLT, PCA, LDA density estimation: parametric (Bayes, ML) and non-parametric (Parzen, k-NN)
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.