Das Frühjahrssemester 2021 findet sicher bis Ostern online statt. Ausnahmen: Veranstaltungen, die nur mit Präsenz vor Ort durchführbar sind. Bitte beachten Sie die Informationen der Dozierenden.

Sara van de Geer: Katalogdaten im Frühjahrssemester 2019

NameFrau Prof. Dr. Sara van de Geer
LehrgebietStatistik
Adresse
Seminar für Statistik (SfS)
ETH Zürich, HG G 24.1
Rämistrasse 101
8092 Zürich
SWITZERLAND
Telefon+41 44 632 22 52
E-Mailsara.vandegeer@stat.math.ethz.ch
URLhttp://stat.ethz.ch/~vsara
DepartementMathematik
BeziehungOrdentliche Professorin

NummerTitelECTSUmfangDozierende
401-3620-19LStudent Seminar in Statistics: Adversarial and Robust Machine Learning Belegung eingeschränkt - Details anzeigen
Maximale Teilnehmerzahl: 22

Hauptsächlich für Studierende der Bachelor- und Master-Studiengänge Mathematik, welche nach der einführenden Lerneinheit 401-2604-00L Wahrscheinlichkeit und Statistik (Probability and Statistics) mindestens ein Kernfach oder Wahlfach in Statistik besucht haben. Das Seminar wird auch für Studierende der Master-Studiengänge Statistik bzw. Data Science angeboten.
4 KP2SP. L. Bühlmann, M. H. Maathuis, N. Meinshausen, S. van de Geer
KurzbeschreibungAs statistical and machine learning models are increasingly employed in many real-world applications it becomes more important to understand the vulnerabilities and robustness properties of these models.
In the first part of this seminar, we will study papers relating to adversarial examples. In the second part of the course, we will review other types of distribution shifts.
LernzielAfter this seminar, you should know
- properties of adversarial examples
- some attacks and defenses
- some concepts from robust optimization and distributional robustness
- other distribution shifts that can fool machine learning models in general and neural networks in particular
InhaltAs statistical and machine learning models are increasingly employed in many real-world applications it becomes more important to understand the vulnerabilities and robustness properties of these models. In the first part of this seminar, we will study papers relating to adversarial examples, covering their properties, various attacks and defenses. In the second part of the course, we will review other types of distribution shifts, posing significant challenges for state-of-the-art machine learning models. Some parts of the seminar will be devoted to implementing these methods in python.
Voraussetzungen / BesonderesWe require at least one course in statistics or machine learning and basic knowledge in computer programming. Some background knowledge in deep learning is helpful but not strictly required.
Topics will be assigned during the first meeting.
401-4627-00LEmpirical Process Theory with Applications in Statistics and Machine Learning Information 4 KP2VS. van de Geer
KurzbeschreibungEmpirical process theory provides a rich toolbox for studying the properties of empirical risk minimizers, such as least squares and maximum likelihood estimators, support vector machines, etc.
Lernziel
InhaltIn this series of lectures, we will start with considering exponential inequalities, including concentration inequalities, for the deviation of averages from their mean. We furthermore present some notions from approximation theory, because this enables us to assess the modulus of continuity of empirical processes. We introduce e.g., Vapnik Chervonenkis dimension: a combinatorial concept (from learning theory) of the "size" of a collection of sets or functions. As statistical applications, we study consistency and exponential inequalities for empirical risk minimizers, and asymptotic normality in semi-parametric models. We moreover examine regularization and model selection.
401-5620-00LResearch Seminar on Statistics Information 0 KP2KP. L. Bühlmann, L. Held, T. Hothorn, D. Kozbur, M. H. Maathuis, N. Meinshausen, S. van de Geer, M. Wolf
KurzbeschreibungForschungskolloquium
Lernziel
401-5640-00LZüKoSt: Seminar on Applied Statistics Information 0 KP1KM. Kalisch, P. L. Bühlmann, R. Furrer, L. Held, T. Hothorn, M. H. Maathuis, M. Mächler, L. Meier, N. Meinshausen, M. Robinson, C. Strobl, S. van de Geer
Kurzbeschreibung5 bis 6 Vorträge zur angewandten Statistik.
LernzielKennenlernen von statistischen Methoden in ihrer Anwendung in verschiedenen Gebieten, besonders in Naturwissenschaft, Technik und Medizin.
InhaltIn 5-6 Einzelvorträgen pro Semester werden Methoden der Statistik einzeln oder überblicksartig vorgestellt, oder es werden Probleme und Problemtypen aus einzelnen Anwendungsgebieten besprochen.
3 bis 4 der Vorträge stehen in der Regel unter einem Semesterthema.
SkriptBei manchen Vorträgen werden Unterlagen verteilt.
Eine Zusammenfassung ist kurz vor den Vorträgen im Internet unter http://stat.ethz.ch/talks/zukost abrufbar.
Ankündigunen der Vorträge werden auf Wunsch zugesandt.
Voraussetzungen / BesonderesDies ist keine Vorlesung. Es wird keine Prüfung durchgeführt, und es werden keine Kreditpunkte vergeben.
Nach besonderem Programm. Koordinator M. Kalisch, Tel. 044 632 3435
Lehrsprache ist Englisch oder Deutsch je nach ReferentIn.
Course language is English or German and may depend on the speaker.
401-5680-00LFoundations of Data Science Seminar Information 0 KPP. L. Bühlmann, H. Bölcskei, J. M. Buhmann, T. Hofmann, A. Krause, A. Lapidoth, H.‑A. Loeliger, M. H. Maathuis, N. Meinshausen, G. Rätsch, S. van de Geer
KurzbeschreibungResearch colloquium
Lernziel
406-3621-AALFundamentals of Mathematical Statistics
Belegung ist NUR erlaubt für MSc Studierende, die diese Lerneinheit als Auflagenfach verfügt haben.

Alle anderen Studierenden (u.a. auch Mobilitätsstudierende, Doktorierende) können diese Lerneinheit NICHT belegen.
10 KP21RS. van de Geer
KurzbeschreibungThe course covers the basics of inferential statistics.
Lernziel