Statistisches und maschinelles Lernen

Dr. Stefan Richter studierte und promovierte an der Universität Heidelberg. Im Anschluss hatte er eine Vertretungsprofessur am Institut für Mathematische Stochastik der TU Braunschweig inne, in deren Rahmen er unter anderem statistisches und maschinelles Lernen für Mathematiker lehrte. Derzeit ist er Postdoc der Arbeitsgruppe Statistik stochastischer Prozesse in Heidelberg.

• Supervised Learning: Grundlagen.- Lineare Algorithmen für Regressionsprobleme.- Allgemeines zu Klassifikationsproblemen .- Lineare Methoden für Klassifizierungsprobleme und SVMs.- Nichtparametrische Methoden und der naive Bayes-Klassifizierer.- Regressions- und Klassifikationsbäume; Bagging, Boosting und Random Forests.- Neuronale Netzwerke.- Reinforcement Learning / Bestärkendes Lernen.- Unsupervised Learning: Bestimmung von Repräsentanten.- Unsupervised Learning: Dimensionsreduktion.