The minimum description length principle PDF

Peter Grünwald leitet die Machine Learning Group am CWI in Amsterdam, Niederlande. Er ist außerdem ordentlicher Professor für Statistisches Lernen am mathematischen Institut der Universität Leiden. Derzeit ist er Präsident der Association for Computational Learning, der Organisation, die COLT, die weltweit führende jährliche Konferenz zur Theorie des maschinellen Lernens, leitet, war 2015 Co-Programmvorsitzender von COLT und leitete auch UAI – eine weitere Top-ML-Konferenz – in den Jahren 2010/2011. Neben seiner Veröffentlichung an ML-Veranstaltungen wie NIPS, COLT und UAI schreibt er auch regelmäßig für Statistikzeitschriften wie die Annals of Statistics. Er ist Autor des Buches The Minimum Description Length Principle (MIT Press, 2007; siehe hier für eine aktuelle (2020), viel kürzere Einführung), das zum Standardwerk für den MDL-Lernansatz geworden ist. 2010 wurde er mit dem Van Dantzig-Preis, der höchsten niederländischen Auszeichnung für Statistik und Operations Research, ausgezeichnet. Er erhielt NWO VIDI (2005), VICI (2010) und TOP-1 (2016).

The minimum description length principle pdf von Peter Grünwald

The minimum description length (MDL) principle is a powerful method of inductive inference, the basis of statistical modeling, pattern recognition, and machine learning. It holds that the best explanation, given a limited set of observed data, is the one that permits the greatest compression of the data. MDL methods are particularly well-suited for dealing with model selection, prediction, and estimation problems in situations where the models under consideration can be arbitrarily complex, and overfitting the data is a serious concern. This extensive, step-by-step introduction to the MDL Principle provides a comprehensive reference (with an emphasis on conceptual issues) that is accessible to graduate students and researchers in statistics, pattern classification, machine learning, and data mining, to philosophers interested in the foundations of statistics, and to researchers in other applied sciences that involve model selection, including biology, econometrics, and experimental psychology. Part I provides a basic introduction to MDL and an overview of the concepts in statistics and information theory needed to understand MDL. Part II treats universal coding, the information-theoretic notion on which MDL is built, and part III gives a formal treatment of MDL theory as a theory of inductive inference based on universal coding. Part IV provides a comprehensive overview of the statistical theory of exponential families with an emphasis on their information-theoretic properties. The text includes a number of summaries, paragraphs offering the reader a "fast track" through the material, and boxes highlighting the most important concepts.