Lehrinhalte
Metrologie in Data Science und Machine Learning
Grundlagen der Stochastik, Wahrscheinlichkeitstheorie und Statistik
- Zufallsvariablen, Wahrscheinlichkeitsräume, Wahrscheinlichkeitsdichtefunktionen
- Unabhängigkeit, Marginalisierung
- Gesetz der großen Zahlen
- Zentraler Grenzwertsatz
- Bayes'sche Inferenz, a Priori und a Posteriori Verteilung
- Konfidenz- und Glaubwürdigkeitsintervalle
- Bootstrap, Jackknife, Methode der Surrogatdaten
Unsicherheitsfortpflanzung durch feste Messgleichungen
- Leitfaden zur Ausdrucksweise der Unsicherheit bei Messungen (GUM)
- Polynomielles Chaos
- Monte-Carlo-Methoden
Unsicherheitsschätzung in Machine Learning und Deep Learning
- Aleatorische und epistemische Unsicherheit
- Hierarchische und empirische Bayes'sche Modelle, Vorhersageverteilung
- Gauss'sche Prozesse
- Fehler-in-Variablen-Modelle
- Robuste Regression
- Bayes'sche/Probabilistische neuronale Netze
- Dropout
- Ensemble-Methoden
- Monte-Carlo-Methoden
- Konforme Vorhersage
- Variationelle Inferenz
- Normalisierende Flüsse, invertierbare neuronale Netze, Diffusionsmodelle
Messgrößen der Kalibrierung von Unsicherheit
- Proper Scoring Rules
- Kalibrierungskurven
Fortgeschrittene Themen
- Out-of-Distribution Erkennung
- Aktives Lernen zur Unsicherheitsreduzierung
Anwendungen der Unsicherheitsschätzung im Machine Learning
