Statistisches Lernen und Data Mining

NUMMER: n.n.
KÜRZEL: SLDM
DOZENT: Prof. Dr. Johannes Lederer
FAKULTÄT: Fakultät für Mathematik
SPRACHE: Englisch
SWS: 4 SWS
CREDITS: 5 CP
WORKLOAD: 150 h
ANGEBOTEN IM: jedes Sommersemester

INFOS

Statististical Learning and Data Mining – Vorlesung (2 SWS)
Statististical Learning and Data Mining – Übung (2 SWS)


PRÜFUNGUNGSFORM

Schriftliche Modulabschlussprüfung über 90 Minuten


LERNFORM

Hörsaalvorlesung mit Medienunterstützung, insbesondere Datenanalysen mit dem Computer, Tutorien als seminaristischer Unterricht, zusätzlich Selbststudium mit ergänzend bereitgestellten Materialien und Aufgaben


LERNZIELE

Nach dem erfolgreichen Abschluss des Moduls

- kennen die Studierenden Standardmethoden der Datenanalyse
- verstehen die Studierenden, wann welche Methoden passend sind
- sind die Studierenden in der Lage, die Methoden anzuwenden
- können die Studierenden die Ergebnisse interpretieren)


INHALT

In dieser Lehrveranstaltung werden die grundlegenden Methoden der Datenanalyse eingeführt. Dabei werden verschiedene Datentypen berücksichtigt, insbesondere Regressionsdaten und Klassifikationsdaten. Immer werden auch die zu Grunde liegenden statistischen Modelle besprochen. Ebenfalls werden mögliche Anwendungen sowohl im Unterricht als auch in Computer-Übungen vorgestellt.
Ziel ist es, den gesamten Verlauf einfacher Datenanalysen zu vermitteln: Datenaufbereitung, statistische Modellbildung, Auswahl einer Methode, Implementierung der Methode, Visualisierung der Resultate und Interpretation.


VORAUSSETZUNGEN

Keine


VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung


EMPFOHLENE VORKENNTNISSE

Inhalte der Pflichtmodule in Mathematik (Module Mathematik 1 – Grundlagen, Mathematik 2 – Algorithmische Mathematik und Mathematik 3 – Anwendungen,
insbesondere Stochastik)


LITERATUR

G. James, D. Witten, T. Hastie and R. Tibshirani: „An Introduction to Statistical Learning“, Springer Verlag 2017