Inhalt

Ziel der Vorlesung ist es, die konzeptionellen Grundlagen des statistischen Lernes zu verstehen.

Vorlesungsüberblick:

• Einführung in die Statistik und deskriptive Datenanlayse
• Zufallsvariablen und Wahrscheinlichkeitstheorie
• Statistisches Testen
• Lineare und nichtlineare Regressionsmodelle
• Support Vector Machines, Random Forests, neuronale Netze
• Unsupervised Learning
• Multiples Testen
• Modellwahl und -bewertung
• Regularisierung und Shrinkage
• Statistische Analyse von Sequenz- und Expressionsdaten

Materialien

• Link zum R package „neuralnet“
• Link zum Artikel „neuralnet: Training of Neural Networks“
• Dateien für Übung 1 – zip-Archiv
• Minimal-Beispiel zu Übung 1 – R-Code
• Link zum R package „kohonen“
• Link zum Artikel „Self- and Super-organizing Maps in R“
• Datei für Übung 2 – Textfile
• Minimal-Beispiel zu Übung 2 – R-Code

Literatur

Die Vorlesung richtet sich hauptsächlich nach dem folgenden Buch:

G. James, D. Witten, T. Hastie, R. Tibshirani. „An Introduction to Statistical Learning.“ Springer. 2013.

Weitere Literatur:

• D. R. Cox. „Principles of statistical inference.“ CUP. 2006.
• T. Hastie, R. Tibshirani, and J. Friedman. „The elements of statistical learning.“ Springer. 2001.
• K. Murphy. „Machine Learning – A Probabilistic Perspective.“ The MIT Press. 2012.