Mündliche oder schriftliche Prüfung je nach Teilnehmerzahl; 60 % Übungspunkte als Voraussetzung; eine begrenzte Anzahl von Übungspunkten kann als Bonuspunkte in der Prüfung angerechnet werden.

Diese Vorlesung bietet eine Einführung in das statistische maschinelle Lernen mit dem Schwerpunkt auf der praktischen Anwendung in der biomedizinischen Datenanalyse. Sie umfasst grundlegende Methoden des überwachten (Klassifikation, Regression) und unüberwachten Lernens.

Die Themen umfassen unter anderem:
- Lineare Modelle für Regression und Klassifikation
- Modellauswahl und Regularisierung
- Resampling-Methoden: Kreuzvalidierung und Bootstrap
- Entscheidungsbäume
- Ensemble-Methoden: Random Forest & Verstärkung
- Support-Vektor-Maschinen
- Dimensionalitätsreduktion
- Clustering-Algorithmen

Die Studierenden sind in der Lage, die wichtigsten Begriffe, Probleme und Algorithmen des statistischen maschinellen Lernens zu erklären. Sie sind in der Lage zu entscheiden, welche Art von Methoden für die Analyse eines bestimmten biomedizinischen Datensatzes erfolgversprechend ist und diese Entscheidung durch theoretische Argumente und empirische Studien zu begründen.

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer Texts in Statistics.

Further books will be announced in the first lecture.