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”
• Minimal-Beispiel zum R package „neuralnet“ – R-Code
• Dateien für Übung 1 – Datazip-Archiv
• Dateien für Übung 1 – Beispiel-Lösungen

• Link zum R package “kohonen”
• Link zum Artikel “Self- and Super-organizing Maps in R”
• Minimal-Beispiel zum R package „kohonen“ – 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.