Statistical Methods for Computational Linguistics
Kursbeschreibung
| Studiengang | Modulkürzel | Leistungs- bewertung |
|---|---|---|
| BA-2010 | FF-SM | 6 LP |
| NBA | FF-SM | 6 LP |
| Magister | - | - |
| Dozenten/-innen | Stefan Riezler, Sascha Fendrich |
| Veranstaltungsart | Vorlesung/Übung |
| Erster Termin | 18.10.2011 |
| Zeit und Ort | Di, 11:15–12:45, INF 325 / SR 23 |
| Di, 16:15–17:45, INF 325 / SR 23 |
Teilnahmevoraussetzungen
Grundlagen der Wahrscheinlichkeitstheorie und Linearen Algebra, z.B. aus Mathematischem Grundkurs
Leistungsnachweis
- Aktive und regelmässige Teilnahme
- Bearbeitung der Übungsaufgaben
- Klausur
Die Teilnahme an Vorlesung und Übung ist verpflichtend.
Inhalt
Die Vorlesung stellt zentrale Konzepte der Statistical Learning Theory vor, und exemplifiziert diese anhand grundlegender Methoden zur Klassifikation, Regression, etc. Der Fokus der Vorlesung liegt auf Kernel-basierten Methoden und den diesen zugrundeliegenden theoretischen Fundamenten.
Mögliche Themenbereiche der Verlesung sind:
- Risk und Loss Funktionen
- Lineare Modelle für Klassifizierung, Regression, etc.
- Kernel-basierte Methoden
- Optimierungstheorie
- Generalisierungstheorie
Literatur
Grundlage der Vorlesung ist
- Schölkopf & Smola (2002). Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.
Weiterführende Literatur:
- Christianini & Shawe-Taylor (2000). An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press.
- Shawe-Taylor & Christianini (2004). Kernel Methods for Pattern Analysis. Cambridge.
- Abney (2008). Semisupervised Learning. Chapman & Hall.
- Hastie, Tibshirani, Friedman (2001). The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer.
