040170 UK Statistik hochdimensionaler und komplexer Daten (2016W)
Prüfungsimmanente Lehrveranstaltung
Labels
Die Literatur zu dem Thema dieses Kurses ist durchweg auf Englisch. Daher sind auch die Kursmaterialien auf Englisch. Der Kurs kann auf Wunsch auf Deutsch gehalten werden, wobei es sinnvoller wäre den Kurs komplett auch auf Englisch zu halten.
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 12.09.2016 09:00 bis Do 22.09.2016 14:00
- Abmeldung bis Fr 14.10.2016 14:00
Details
max. 35 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Dienstag
04.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
11.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
18.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
25.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
08.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
15.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
22.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
29.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
06.12.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
13.12.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
10.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
17.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
24.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Dienstag
31.01.
15:00 - 16:30
Hörsaal 16 Oskar-Morgenstern-Platz 1 2.Stock
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Die Veranstaltung stellt Methoden, die bei der Arbeit mit (großen) hochdimensionalen Datensätze verwendet werden sowie deren Eigenschaften vor.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Im Laufe des Semesters werden 2 Hausübungen aufgegeben, für die jeweils maximal 25 Punkte erreicht werden können. Zusätzlich wird am Ende des Semesters eine Klausur geschrieben in der maximal 50 Punkte erreicht werden können. Die Endnote setzt sich aus der Summe der erreichten Punktzahl aus den 5 Hausübungen zusammen - anhand des Notenschlüssels:0 - 49 Punkte: Note 5
50 - 62 Punkte: Note 4
63 - 75 Punkte: Note 3
76 - 87 Punkte: Note 2
88 - 100 Punkte: Note 1
50 - 62 Punkte: Note 4
63 - 75 Punkte: Note 3
76 - 87 Punkte: Note 2
88 - 100 Punkte: Note 1
Mindestanforderungen und Beurteilungsmaßstab
Ziel der Veranstalung ist es einen möglichst großen Überblick über die gebräuchlichsten Modelle die bei hochdimensionalen Daten verwendet werden zu bekommen. Zudem sollen die zugrundeliegende Fragestellungen und Problematiken bei der Implementierung der Schätzungen dieser Modelle besprochen werden.
Prüfungsstoff
Die Modelle und ihre theoretischen Eigenschaften werden größtenteils mittels Vorlesungen vorgestellt und besprochen.Die Implementierung der Modelle und damit verbunden Probleme werden von den Studenten am PC zum Großteil selbstständig erarbeitet und hinterher in der Gruppe besprochen.
Literatur
Elements of Statistical Learning: data mining, inference and prediction (2nd edition) :: Hastie, Tibshirani and Friedman (2009) :: SpringerAn Introduction to Statistical Learning: with Applications in R:: James, Witten, Hastie and Tibshirani (2013)::SpringerIntroduction to Highdimensional Statistics::Giroud, Christopher (2014)::Chapman and HallStatistical Learning with Sparsity: The Lasso and Generalizations (2015)::Chapman and HallStatistics for High-dimensional Data: methods and theory :: Bühlmann and van de Geer (2011) :: Springer
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Mo 07.09.2020 15:28