Stochastische Grundlagen, Wahrscheinlichkeiten, Bayessche Netze zur Spezifikation von diskreten Verteilungen, Anfragen, Anfragebeantwortungsalgorithmen, Lernverfahren für Bayessche Netze bei vollständigen Daten
Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Regressionsbäume, Lernen von Regeln
Ensemble-Methoden, Bagging, Random Forests, Boosting, AdaBoost, XGBoost
Clusterbildung, K-Means, DBSCAN, Analyse der Variation (Analysis of Variation, ANOVA), t-Test, Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, Bonferroni-Korrektur, MANOVA
Zeitreihenanalyse, Prädiktion, Autoregression, Integration, Moving Average (ARIMA)