Die Vorlesungen finden montags von 10 bis 12 Uhr im HG F1 statt. Vorlesungsbeginn ist am Montag, 17. Februar 2025, 10:15.
Erste Übungsstunde: Montag, 17. Februar 2025, 13:15.
Die Vorlesung führt die grundlegenden Begriffe der Wahrscheinlichkeitstheorie ein und illustriert diese mit zahlreichen Beispielen. Insbesondere: das Konzept des Wahrscheinlichkeitsraumes, Axiome von Kolmogorov, diskrete und stetige Modelle, Produkträume, Dichten, Verteilungsfunktionen, Transformationen von Wahrscheinlichkeitsverteilungen, Unabhängigkeit, bedingte Wahrscheinlichkeiten, Formel von Bayes, Erwartungswert, Varianz, bedingter Erwartungswert, Gesetz der grossen Zahlen, zentraler Grenzwertsatz. Einführung in die Statistik: Schätzen von Parametern, Hypothesentests. Einführung in Maschinelles Lernen.
Begleitend zur Vorlesung gibt es Folien und ein Skript. Beide Unterlagen werden laufend aktualisiert. Das Passwort für das Skript wird an die Teilnehmer verschickt.
Vorlesung | Kapitel | Zusätzliche Unterlagen |
---|---|---|
17.02.2025 |
0 Einführung 1.1 Grundraum und Ereignisse 1.2 Wahrscheinlichkeitsmass und Wahrscheinlichkeitsraum |
Buffons
Nadel-Experiment Entfernungsbestimmung mit Sonar Verlustfreie Datenkompression |
24.02.2025 |
1.4 Verteilungsfunktionen 2.1 Gewichtsfunktionen 3.1 Dichtefunktionen |
|
03.03.2025 | 1.3 Laplace-Modelle und Zählen |
Visualisierung einiger
wichtiger Verteilungen Laplace-Modelle in Python |
10.03.2025 | 1.4 Zufallsvariablen 3.4 Gemeinsame Dichte |
Erzeugen von Zufallszahlen |
17.03.2025 | 1.6, 2.3, 3.5 Unabhängigkeit | |
24.03.2025 | 2.2, 3.3 Erwartungswert | |
31.03.2025 | 1.5, 2.3, 3.5 Bedingte Wahrscheinlichkeit Bedingter Erwartungswert |
Deutsches Panzerproblem |
07.04.2025 | 5.2 Grenzwertsätze Monte Carlo Methoden |
Gesetz der großen Zahlen
Zentraler Grenzwertsatz Monte Carlo Methoden |
14.04.2025 | 4.1, 4.2 Statistisches Schätzen | |
28.04.2025
Online Vorlesung |
4.3 Statistische Tests | |
05.05.2025 | Bayessche Statistik | |
12.05.2025 | Grundlagen maschinellen Lernens | |
19.05.2025 | Grundlagen maschinellen Lernens |
Beispiel für maschinelles Lernen |
26.05.2025 | Anwendungsbeispiele und Prüfungsvorbereitung |
Aufgaben
Lösung Moodle |
Die neuen Übungsserien, zusammen mit den Lösungen der letzten Serien, werden jeweils am Freitag eine Woche vor der Übungsstunde als PDF hochgeladen.
Date | Serie | Lösung | Abgabefrist |
---|---|---|---|
17.02.2025 | Serie 1 | Serie 1 Lösung | 24.02.2025 um 12:00 |
24.02.2025 | Serie 2 | Serie 2 Lösung | 03.03.2025 um 12:00 |
03.03.2025 | Serie 3 | Serie 3 Lösung | 10.03.2025 um 12:00 |
10.03.2025 | Serie 4 | Serie 4 Lösung | 17.03.2025 um 12:00 |
17.03.2025 | Serie 5 | Serie 5 Lösung | 24.03.2025 um 12:00 |
24.03.2025 | Serie 6 | Serie 6 Lösung | 31.03.2025 um 12:00 |
31.03.2025 | Serie 7 | Serie 7 Lösung | 07.04.2025 um 12:00 |
07.04.2025 | Serie 8 | Serie 8 Lösung | 14.04.2025 um 12:00 |
14.04.2025 | Serie 9 | Serie 9 Lösung | 05.05.2025 um 12:00 |
05.05.2025 | Serie 10 | Serie 10 Lösung | 12.05.2025 um 12:00 |
12.05.2025 | Serie 11 | Serie 11 Lösung | 19.05.2025 um 12:00 |
19.05.2025 | Serie 12 | Serie 12 Lösung | 26.05.2025 um 12:00 |
Anmeldung via myStudies.
Die Übungen finden montags 13:15 - 14:00 statt.Zeit | Raum | Tutor |
---|---|---|
Mo 13-14 | HG E 33.1 | Laurenz Ebi (lauebi@student.ethz.ch), Polybox-1 |
Mo 13-14 | HG E 33.3 | Nicolas Müller (nicolmueller@student.ethz.ch), Polybox-2 |
Mo 13-14 | HG G 26.5 | Manuel Noseda (mnoseda@student.ethz.ch) (*), Polybox-3 |
Mo 13-14 | HG F 26.5 | Ondřej Peterka (ondrej.peterka@inf.ethz.ch), Polybox-4 |
Mo 13-14 | ML H 41.1 | Philip Schultheis (pschultheis@student.ethz.ch), Polybox-5 |
Mo 13-14 | LFW C 4 | Elyse Winstral (mewinstral@student.ethz.ch), Polybox-6 |