Vorlesung: Algorithmisches Lernen in der Bioinformatik

Dirk Metzler, Sommersemester 2008
Zuordnung: ThBi, PTBi

Vorlesungstermine

Dienstag, 14 - 16 Uhr Raum 9	Freitag, 10 - 12 Uhr Raum 11
	4.4.: Vorlesung
8.4.: Vorlesung
15.4.:Übung	18.4.: Vorlesung
	25.4.: Vorlesung
29.4.:Übung
6.5.: Vorlesung
13.5.: Vorlesung	16.5.: Übung
20.5.: Vorlesung	23.5.: Vorlesung
27.5.: Übung
3.6.: Vorlesung	6.6.: Vorlesung
10.6.: Übung	13.6.: Vorlesung
	20.6.: Vorlesung
24.6.: Übung
1.7.: Vorlesung	4.7.: Vorlesung

Übungsaufgaben

Uebung1.pdf
Uebung2.pdf, mustervisual.R, lernbeispiele.txt.zip, testdaten.txt.zip
Uebung3.pdf, kleinemuster.R
Uebung4.pdf
Uebung5.pdf

Themen, pdf-Dateien und Beispiele in R:

Einführendes Beispiel	v1.pdf	v1.R	4. April
Konzeptlernen, Perzeptron, Winnow-Algorithmus	v2.pdf	v2.R	8. April
Neuronales Netz, Backpropagation, PAC-Lernmodell	v3.pdf		18. April
PAC-Lernmodell, Lineare Regression	v4.pdf	v4.R	25. April
Gauß-Markoff-Theorem	v5.pdf	v5.R	6. Mai
Lineare und quadratische Diskriminanz	v6.pdf	v6.R	13. Mai
Support-Vektor-Klassifikation	v7.pdf		20. Mai
Support-Vektor-Maschinen und Kernel-Theorie	v8.pdf		23. Mai, 3. Juni
Anwendungen auf Genexpressionsdaten; Regularisierung	v9.pdf		6. Juni
Klassifikation von Proteinen	v10.pdf		13. Juni
Vapnik-Chervonenkis-und Fat-Shattering-Dimension	v11.pdf		20. Juni

Weitere geplante Themen der Vorlesung: Bagging und Boosting, siehe auch Vorlesung vom Sommersemester 2005.
Hinweis: Die pdf-Datein bilden kein vollständiges 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:

Empfohlene Literatur

Allgemein

T. Hastie, R. Tibshirani, J. Friedman (2001) The Elements of Statistical Learning
Springer G.3 119
W.N. Venables, B.D. Ripley (2002) Modern Applied Statistics with S
Springer G.3 120
L. Fahrmeir, T. Kneib, S. Lang (2007) Regression: Modelle, Methoden und Anwendungen
Springer G.3 153

Grundlagen: Lineare Algebra

G. Strang Lineare Algebra (2003)
Springer G.0 208

Grundlagen: Statistik

L. Held (2008) Methoden der statistischen Inferenz
Spektrum Akademischer Verlag
L. Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2007) Statistik
Springer G.3 152
D. Freedman, R. Pisani, R. Purves (2007) Statistics, 4.ed
Springer G.3 143
J.A. Rice (1995) Mathematical Statistics and Data Analysis
Duxbury Press G.3 121

Grundlagen: Stochastik

G. Kersting, A. Wakolbinger (2008) Elementare Stochastik 1. Eine Einführung
Birkhäuser

Support Vector Mashines und Kernel-Methoden

N. Christianini, J. Shawe-Taylor (2000) Support Vector Machines
Cambridge University Press I.2 321
B. Schölkopf, K. Tsuda, J.-P. Vert (Ed.) (2004) Kernel Methods in Computational Biology
MIT Press J.3 63
B. Schölkopf, A.J. Smola (2002) Learning with Kernels
MIT Press I.2 396

Maschinelles Lernen

M.J. Kearns, U.V. Vazirani (1994) An Introduction to Computational Learning Theory
MIT Press I.2 271
C.M. Bishop (2006) Pattern Recognition and Machine Learning
Springer I.5 45

Dirk Metzler

Impressum
Last modified: Fri Jun 20 09:33:46 CEST 2008