- Abschlussarbeit:
- Bachelor in Mathematik
- Autor:
- Michael Sucker
- Titel:
- Rethinking statistical learning theory
- Betreuer:
- Jan JOHANNES
- Abstrakt:
- In dieser Arbeit geht es darum, einen Algorithmus für ein Klassifikationsproblem zu erarbeiten. Dieser soll anhand gegebener Daten eine Klassifikationsregel erstellen. Grundsätzlich ist die Arbeit in einen theoretischen Teil und einen praktischen Teil gegliedert. Der theoretische Teil umfasst die Herleitung des Algorithmus. Dies geschieht in mehreren Schritten. Der erste davon befasst sich mit der Herleitung der grundlegenden Idee für die Klassifikationsregel, ausgehend von einem Modell der Datengenerierung. Die nachfolgenden Kapitel befassen sich dann jeweils mit auftretenden Problemen und deren Lösung. Insbesondere bauen die einzelnen Kapitel aufeinander auf. Vereinfachende Annahmen und sich daraus ergebende Probleme, die zur Lösung eines Teilproblems in einem Kapitel notwendig sind, werden immer im darauffolgenden behandelt. Schlussendlich wird auf diese Weise eine in der Praxis anwendbare Lösung generiert. Der praktische Teil befasst sich mit der Implementierung des gefundenen Algorithmus und dessen Auswertung. Hierbei werden zuerst einige grundlegende Eigenschaften anhand zweier künstlich erstellter Datensätze herausgearbeitet. Anschließend werden die gefundenen Ergebnisse noch an einem Standardbeispiel vorgeführt.
Literatur:- V.N. Vapnik und R. Izmailov. Rethinking statistical learning theory: Learning using statistical invariants. Machine Learning, 108, 2018.
| Statistik-Gruppe | Institut für Mathematik | Fakultät für Mathematik und Informatik | Universität Heidelberg |