Angestrebte Lernergebnisse: Kenntnisse und Verständnis grundlegender stochastischer Methoden und Modelle, Einsatz in einfachen technischen Anwendungen.

Lerninhalte: Beschreibende Statistik; Wahrscheinlichkeit; Simulation und Zufallszahlen; Zufallsvariable Erwartungswerte und Varianz; spezielle diskrete Verteilungen; Ungleichung von Tschebyscheff, schwaches Gesetz der großen Zahlen; allgemeine Wahrscheinlichkeitsräume; Wahrscheinlichkeitsmaße im Reellen; Schätzen; Testen





The module From Experimentation to Evaluation in Machine Learning (E2ML) covers the process from the data acquisition to the performance of evaluation of a model.

 The lecture covers the foundations of pattern recognition from a probabilistic point of view. The following topics are discussed:

    • Basics (e.g., stochastics, model selection, Curse of Dimensionality, decision and information theory)
    • Distributions (e.g., multinomial, Dirichlet, Gaussian and Student distributions, nonparametric estimation)
    • Linear models for regression
    • Linear models for classification
    • Neural networks
    • Kernel methods