Vorlesung: Algorithmisches Lernen in der Bioinformatik

Dirk Metzler, Sommersemester 2005
Freitags von 13 bis 15 Uhr, Raum 11
Zuordnung: ThBi, PTBi

Themen, pdf-Dateien und Beispiele in R:

Einführendes Beispiel	v1.pdf	v1.R	14.April
Perzeptron, Winnow-Algorithmus	v2.pdf	v2.R	21.April
Neuronale Netze, Backpropagation, PAC-lernen	v3.pdf		28.April
PAC-lernen, Lineare Regression	v4.pdf	v4.R	06.Mai
Gauß-Markoff-Theorem, Lineare Diskriminanz-Analyse	v5.pdf		13.Mai
LDA, QDA, lineare Support-Vektor-Diskriminanz	v6.pdf	v6.R	20.Mai
Support-Vektor-Maschinen (SVMs)	v7.pdf	v7.R	27.Mai
Kernels für SVMs, Anwendungen	v8.pdf		3.Juni
SVMs und Regularisierung bei Microarray-Daten	v9.pdf		10.Juni
Klassifikation von Proteinen	v10.pdf		17.Juni
Vapnik-Chervonenkis-Dimension (VC-Dim)	v11.pdf		24.Juni
Fat-Shattering-Dimension	v12.pdf		1.Juli
Bagging, Boosting	v13.pdf		8.Juli
Interpretation von Boosting, CART	v14.pdf		15.Juli

Hinweis: Die pdf-Datein bilden kein vollstädiges Skript, denn die Beweise werden in der Vorlesung ausführlicher an der Tafel erläutert und sind u.a. in den folgenden Quellen (unter den fett gedruckten Nummern in der Informatik-Bib) zu finden:

T. Hastie, R. Tibshirani, J. Friedman (2001) The Elements of Statistical Learning
Springer G.3 119
N. Christianini, J. Shawe-Taylor (2000) Support Vector Machines
Cambridge University Press I.2 321
G. Schnitger (2001) Skript: Algorithmisches Lernen
R. Fischer (1999) Algorithmisches Lernen
Teubner I.2 328
W.N. Venables, B.D. Ripley (2002) Modern Applied Statistics with S
Springer G.3 120
J.A. Rice (1995) Mathematical Statistics and Data Analysis
Duxbury Press G.3 121
B. Schölkopf, A.J. Smola (2002) Learning with Kernels
MIT Press I.2 396
M.J. Kearns, U.V. Vazirani (1994) An Introduction to Computational Learning Theory
MIT Press I.2 271

Dirk Metzler

Last modified: Fri Jul 15 17:39:46 CEST 2005