Hauptinhalt

Veranstaltungen

Vorträge

Bayesianische Statistik und maschinelles Lernen in den Neurowissenschaften

Überblick

Dieser Kurs besteht aus Vorlesungen und Übungen über

Foundations of Probability,
Bayesian Reasoning and Networks,
Stochastic Processes,
Neural Networks and Deep Learning.

Literaturvorschläge für Einsteiger

Zum 'Warum':
Larry Bretthorst and Edward Jaynes (2003): Probability Theory, the Logic of Science. Cambridge Univ. Press
Joseph Halpern (2003): Reasoning about Uncertainty. MIT Press.

Zum 'Wie':
Christopher Bishop (2006): Pattern Recognition and Machine Learning. Springer.
Carl Rasmussen and Christopher Willams (2005): Gaussian Processes

Weiterführendes zum 'Wie':
Daphne Koller and Nir Friedmann (2009): Probabilistic Graphical Models. MIT Press.
Kevin Murphy (2012): Machine Learning, a Probabilistic Perspective. MIT Press.
David Barber (2012): Bayesian Reasoning and Machine Learning. Cambridge Univ. Press.

Kausalität:
Judea Pearl (2009): Causality.

Weitere Informationen:

Regelmäßiger Zyklus: Wintersemester

Berechtigt: Studierende der Psychologie, und Kognitive und integrative Systemneurowissenschaften (M.Sc.)