Universität Wien

040038 VO Ökonometrie und Statistik (MA) (2018S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften

Für diese LV gibt es KEIN Moodle!
Achtung! Am Mi, 09.05.2018 entfällt die Vorlesung.

Details

Sprache: Deutsch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Mittwoch 07.03. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 14.03. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 21.03. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 11.04. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 18.04. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 25.04. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 02.05. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 16.05. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 23.05. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 30.05. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 06.06. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 13.06. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 20.06. 16:45 - 18:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Datamining und Big Data anhand von Fallbeispielen

Im Kurs werden Konzepte des Datamining und Big Data anhand von Fallbeispielen erläutert und diskutiert.

Die Beispiele kommen aus den Themenbereichen

. Customer Relationship Management
. Fraud Detection
. Revenue Management
. Market Research

Die vorgestellten Konzepte des Dataming’s und Big Data umfassen u.a.

. Sampling
. Supervised und unsupervised learning
. multiple Regression,
. logistische Regression
. Kontingenztafelanalyse
. Varianzanalyse
. Zeitreihenanalyse

Art der Leistungskontrolle und erlaubte Hilfsmittel

Schriftliche Prüfung

Mindestanforderungen und Beurteilungsmaßstab

Um den Kurs positiv zu absolvieren müssen mindestens 50% der Punkte erreicht werden.

Prüfungsstoff

Analysieren einer Problemstellung und skizieren der Lösung mittels Datamining

Verstehen (= lesen und interpretieren können) der statistischen Modellgleichungen
und der Vorgehensweise beim Datamining

Mehr Details zur Prüfung werden während des Kurses bekanntgegeben.

Literatur

Luis Torgo / "Data Mining with R Learning with Case Studies"
Folien die im Kurs diskutiert werden .

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:28