1. Einführung
- Fünf Typen der statistischen Inferenz
- Anwendungsbeispiele
- Prozesskette
- Postulate
2. Vorverarbeitung und Merkmalsextraktion
- Zielstellung
- Methoden
- Bewertung
- Beispiele
- Merkmalstypen
- Distanzmaße
3. Cluster-Analyse
- Agglomerative, hierarchische Cluster-Analyse
- Prototypvektorbasierte Cluster-Analyse
- Fuzzy-Clusteranalyse
- Neuronale Netze: Selbstorganisierende Merkmalskarten
- Netze: Wachsende Zellstrukturen
- Anwendungsbeispiele
4. Diskriminanzanalyse Ad-hoc Entscheidungsregeln
- Vergleich mit Idealmustern (template matching)
- Optimaler Klassifikator - Bayessche Entscheidungstheorie
- Parametrische Methoden der Klassifikatoren
- Nichtparametrische Methoden der Klassifikatoren
- Lineare Diskriminanzanalyse
- Neuronale Netze: Fehlerrückführungs-Lernen
- Neuronale Netze: Prototypvektorbasiertes Lernen
- Stützvektormaschinen
- Anwendungsbeispiele
5. Validierungsanalyse
- Adaptivität und Generalisierungsfähigkeit
- Cluster-Validierung
- Wahrheitsmatrix
- Wiederholtes Erzeugen von Stichproben (Resampling)
- Kreuzvalidierung
- Grenzwertoptimierungsanalyse
- Anwendungsbeispiele
6. Regression und Prädiktion
- Lineare und generalisierte, lineare Regression
- Neuronale Netze: Radiale Basisfunktionsnetze
- Kernfunktionsbasierte Regression
- Gaußsche Prozesse
- Lineare, adaptive Filter
- Nichtlineare, adaptive Filter
- Anwendungsbeispiele
7. Tiefe Lernstrukturen (deep learning) Repräsentationslernen
- Autoassoziationsnetzwerke (deep auto-encoder)
- Restriktive Boltzmann-Maschinen
- Anwendungsbeispiele