Leo Breiman

Leo Breiman

Leo Breiman (* 27. Januar 1928 in New York City; † 5. Juli 2005 in Berkeley, Kalifornien) war ein amerikanischer Statistiker, der an der University of California, Berkeley tätig war.

Breiman war der einzige Sohn der osteuropäischen Einwanderer Max und Lena Breiman, sein Vater war Schneider. Er wuchs in San Francisco und Los Angeles auf, wo er bis 1945 die Roosevelt High School besuchte. 1949 beendete er erfolgreich ein Physikstudium an der Caltech, 1950 erwarb er einen Master in Mathematik an der Columbia University, 1954 schloss er mit einem Ph.D. an der University of California in Berkeley ab und unterrichtete anschließend dort Wahrscheinlichkeitsrechnung. Da ihm die Vorbildung seiner Studenten zu praxisfremd erschien, unterrichtete er zeitweilig auch Mathematik in einer Schule. Nach einigen Jahren beendete er seine Lehrtätigkeit, verfasste zunächst ein Lehrbuch über Wahrscheinlichkeitstheorie und arbeitete anschließend als Berater für Statistik, auch für die UNESCO in Liberia. Ab 1980 war er erneut an der UCLA tätig und baute dort eine Abteilung für computerunterstützte Statistikberechnung auf, die später auch für andere Institutionen Aufgaben übernehmen konnte. 1993 beendete er seine Tätigkeit, betreute aber weiterhin einige Studenten und veröffentlichte einige seiner bekanntesten Arbeiten erst nach dem Ende seiner offiziellen Lehrtätigkeit (u.a. Random Forest).

Breiman arbeitete an der Schnittstelle zwischen Informatik und der Statistik, insbesondere auf dem Gebiet des maschinellen Lernens. Seine wohl bedeutendsten Beiträge sind die Arbeiten über Entscheidungsbäume (CART-Algorithmus zur Entscheidungsfindung: Classification and Regression Trees) und Zusammenstellungen von Entscheidungsbäumen zu Bootstrap-Stichproben. Diese Bootstrap-Zusammenstellungen nannte er National Academy of Sciences der Vereinigten Staaten und der American Academy of Arts and Sciences gewählt.

Weblinks


Wikimedia Foundation.

Игры ⚽ Поможем написать курсовую

Schlagen Sie auch in anderen Wörterbüchern nach:

  • Leo Breiman — Naissance 27 janvier 1928 New York (USA) Décès 5 juillet 2005 Berkeley, California (USA) Domicile USA Nationalité …   Wikipédia en Français

  • Leo Breiman — (January 27 1928 – July 7 2005) was a distinguished statistician at the University of California, Berkeley. He was the recipient of numerous honors and awards, and was a member of the United States National Academy of Science.Breiman s work… …   Wikipedia

  • Breiman — Leo Breiman (* 27. Januar 1928 in New York City; † 7. Juli 2005 in Berkeley (Kalifornien)) war ein Statistiker an der University of California, Berkeley. Breiman ist der einzige Sohn der osteuropäischen Einwanderer Max und Lena Breiman, sein… …   Deutsch Wikipedia

  • Брейман, Лео — В Википедии есть статьи о других людях с такой фамилией, см. Брейман. Лео Брейман англ. Leo Breiman Лео Брейман в 2003 году Дата рождения …   Википедия

  • Random forest — In machine learning, a random forest is a classifier that consists of many decision trees and outputs the class that is the mode of the classes output by individual trees. The algorithm for inducing a random forest was developed by Leo Breiman… …   Wikipedia

  • Random Forest — Ein Random Forest ist ein Klassifikationsverfahren, welches aus mehreren verschiedenen, unkorrelierten Entscheidungsbäumen besteht. Alle Entscheidungsbäume sind unter einer bestimmten Art von Randomisierung während des Lernprozesses gewachsen.… …   Deutsch Wikipedia

  • Exploration de données — Articles principaux Exploration de données Fouille de données spatiales Fouille du web Fouille de flots de données Fouille de textes …   Wikipédia en Français

  • Glossaire du data mining — Exploration de données Articles principaux Exploration de données Fouille de données spatiales Fouille du web Fouille de flots de données Fouille de textes …   Wikipédia en Français

  • Liste der Biografien/Brd–Bre — Biografien: A B C D E F G H I J K L M N O P Q …   Deutsch Wikipedia

  • Bootstrap aggregating — (bagging) is a meta algorithm to improve machine learning of classification and regression models in terms of stability and classification accuracy. It also reduces variance and helps to avoid overfitting. Although it is usually applied to… …   Wikipedia

Share the article and excerpts

Direct link
Do a right-click on the link above
and select “Copy Link”