Informationen zu der Vorlesung Hidden-Markov-Modelle (WS 2023/2024)
Dozentin: Prof. Dr. Angelika Rohde
Assistenz: Saskia Glaffig, M.Sc.
Termin: Di 14–16, HS II, Albertstraße 23b
Übungen: 2-stündige Übung, Termin wird noch festgelegt
Im weitesten Sinne des Wortes ist ein Hidden-Markov-Modell ein Markov-Prozess, der in zwei Komponenten aufgeteilt ist: Eine beobachtbare Komponente und eine unbeobachtbare oder „versteckte“ Komponente. Hidden-Markov-Modelle tauchen in einer Vielzahl von Anwendungen auf und bilden die Grundlage moderner Data-Science-Algorithmen. Einerseits beschreiben sie natürlicherweise eine Situation, in welcher ein stochastisches System durch verrauschte Messungen beobachtet wird. Andererseits kann es sein, dass der beobachtete Prozess den Einfluss bestimmter externer Faktoren auf den unbeobachteten Prozess beschreibt, letzterer aber der von eigentlichem Interesse ist.
Das Ziel dieser Vorlesung ist es, wahrscheinlichkeitstheoretische Grundlagen sowie statistische Theorie zu entwickeln, welche zentral für das Verständnis dieser Hidden-Markov-Modelle sind.
Erforderliche Vorkenntnisse
Wahrscheinlichkeitstheorie I
Literatur
- Ramon van Handel. Hidden Markov models, Lecture Notes, Princeton.
- Olivier Cappé, Eric Moulines and Tobias Rydén. Inference in Hidden Markov Models, Springer.
Bemerkungen
Die Vorlesung wird bei Interesse auf Englisch gehalten.
Sprechstunde
Termine nach Vereinbarung.