Lehrinhalte
1) Hauptkomponentenanalyse, Kernel-PCA
2) Unabhängigkeitsanalyse (Infomax, FastICA, Second Order Blind Source Separation)
3) Stochastische Optimierung
4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten, Locally Linear Embedding)
5) Dichteschätzung, Mischverteilung, Expectation-Maximization Algorithm, Hidden Markov Model
6) Schätztheorie, Maximum Likelihood-Schätzung, Bayes’scher Modellvergleich
