9 520 Statistische Lerntheorie und Anwendungen Spring 2003

Maschinelles Lernen ist mehr als nur das Ausführen von Codebibliotheken und das Anpassen von Modellen. Das Verständnis der zugrunde liegenden mathematischen Garantien ist das, was außergewöhnliche Praktiker von den anderen unterscheidet. Dieser Kurs entmystifiziert die Kernprinzipien der statistischen Lerntheorie und gibt Ihnen eine klare konzeptionelle Grundlage. Sie werden von der einfachen Ausführung von Algorithmen zu einem tiefen Verständnis übergehen, warum sie funktionieren, wie sie zu ungesehenen Daten verallgemeinern und wie sie Überanpassung kontrollieren. Was Sie lernen: Verstehen Sie die Grundlagen des überwachten Lernens und der multivariaten Funktionsapproximation; Erkunden Sie Regularisierungstechniken, einschließlich Support Vector Machines (SVMs) für Klassifikation und Regression; Analysieren Sie Generalisierungsgrenzen mit VC-Dimension und Stabilitätstheorie, um die Modellleistung vorherzusagen; Wenden Sie Merkmalsauswahl und -verarbeitung an, um eine bessere Modellleistungsvorhersage zu erzielen. Sie lernen moderne Regularisierungs- und Optimierungskonzepte kennen, die in zeitgemäßen Workflows für maschinelles Lernen zum Einsatz kommen. Beginnend mit grundlegenden Definitionen von Verlustfunktionen und empirischer Risikominimierung führt Sie dieser textbasierte Kurs Schritt für Schritt durch die Verallgemeinerungstheorie, Regularisierung und praktische algorithmische Anwendungen. Sie lesen detaillierte Erklärungen, analysieren mathematische Formulierungen und arbeiten konzeptionelle Übungen durch. Dieser Kurs richtet sich an angehende Datenwissenschaftler, Programmierer und Studenten, die eine starke theoretische Grundlage für maschinelles Lernen schaffen möchten. Grundlegende Kenntnisse in Algebra und einführende Programmierung sind hilfreich, aber kein fortgeschrittener mathematischer Hintergrund ist erforderlich. Beginnen Sie noch heute mit dem Lesen, um die mathematischen Geheimnisse hinter erfolgreichen Machine-Learning-Modellen zu enthüllen.