Bayessche Statistik
Seminar im Wintersemester 2026 / 2027
Organisation
Zeit und Ort
Mo : 11:15 - 12:45 in
INF 205, SR 5
Vorbesprechung
Do, 15.10.2026, 11:15, SR 5
Beschreibung
Dieses Seminar bietet eine Einführung in die Grundlagen der Bayesschen Statistik sowie vertiefte Einblicke
in moderne Analysemethoden und deren Anwendung.
Zielgruppe
Studierende der Mathematik (BSc, MSc, EwfM), Mathematics of Machine Learning and Data Science oder Scientific Computing, insbesondere mit Interesse an Statistik, Wahrscheinlichkeitstheorie und maschinellem Lernen. Grundlagenkenntnisse in Analysis, linearer
Algebra und Statistik (z.B. "Einführung in die Wahrscheinlichkeitstheorie und Statistik") werden vorausgesetzt.
Vorträge
Vortragszeit beträgt 60-70 Minuten
1-2 Seiten Handout
Anwesenheitspflicht
Rücksprache mit dem Betreuer mindestens zwei Wochen vor VortragsterminThemen
Einführung und
Beispiele
Bayes-Risiko
Hierarchische
Modelle
Modellevaluation und -vergleich
Spike-and-Slab Regression
Gibbs Sampling
Metropolis-Hastings Sampling
Hamiltonian Monte Carlo
Variational Inference
Bernstein von Mises Theorem
PAC-Bayes: Einführung
PAC-Bayes: Orakel-Ungleichungen
Gauß-Prozesse - Regression
Gauß-Prozesse - KlassifikationLiteratur
Gelman, Bayesian Data Analysis, 1995
Van der Vaart, Asymptotic Statistics, 1998
Robert & Casella, Monte Carlo Statistical Methods, 1999
Alquier, User-friendly Introduction to PAC-Bayes Bounds, 2024
Blei, Kucukelbir & McAuliffe, Variational Inference: A Review for Statisticians, 2017
Trabs, Jirak, Krenz & Reiß, Statistik und maschinelles Lernen, 2021
Rasmussen & Williams: Gaussian Processes for Machine Learning, 2005
Mitchell & Beauchamp: Bayesian Variable Selection in Linear Regression, Journal of the American Statistical Association, 83 (404), 1023-1032, 1988
Shao, Mathematical Statistics, 2003Sonstiges
Bitte registrieren Sie sich auf MaMpf und heiCO.
Die Vorträge werden in der Vorbesprechung am 15.10. zugeteilt.
Bei Fragen wenden Sie sich gerne an lehre-nps[at]math.uni-heidelberg.de.
