Statistisches und maschinelles Lernen

Dieses Buch verschafft Ihnen einen berblick ber einige der bekanntesten Verfahren des maschinellen Lernens aus der Perspektive der mathematischen Statistik. Nach der Lektre kennen Sie die jeweils gestellten Forderungen an die Daten sowie deren Vor- und Nachteile und sind daher in der Lage, fr ein gegebenes Problem ein geeignetes Verfahren vorzuschlagen. Beweise werden nur dort ausfhrlich dargestellt oder skizziert, wo sie einen didaktischen Mehrwert bieten ansonsten wird auf die entsprechenden Fachartikel verwiesen. Fr die praktische Anwendung ist ein genaueres Studium des jeweiligen Verfahrens und der entsprechenden Fachliteratur ntig, zu der Sie auf Basis dieses Buchs aber schnell Zugang finden. Das Buch richtet sich an Studierende der Mathematik hheren Semesters, die bereits Vorkenntnisse in Wahrscheinlichkeitstheorie besitzen. Behandelt werden sowohl Methoden des Supervised Learning und Reinforcement Learning als auch des Unsupervised Learning. Der Umfang entspricht einer einsemestrigen vierstndigen Vorlesung. Die einzelnen Kapitel sind weitestgehend unabhngig voneinander lesbar, am Ende jedes Kapitels kann das erworbene Wissen anhand von bungsaufgaben und durch Implementierung der Verfahren berprft werden. Quelltexte in der Programmiersprache R stehen auf der Springer-Produktseite zum Buch zur Verfgung.