Universität Wien FIND

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Vor-Ort-Lehre und Umstellung auf Online-Prüfungen) erforderlich sein. Melden Sie sich für Lehrveranstaltungen/Prüfungen über u:space an, informieren Sie sich über den aktuellen Stand auf u:find und auf der Lernplattform moodle. ACHTUNG: Lehrveranstaltungen, bei denen zumindest eine Einheit vor Ort stattfindet, werden in u:find momentan mit "vor Ort" gekennzeichnet.

Regelungen zum Lehrbetrieb vor Ort inkl. Eintrittstests finden Sie unter https://studieren.univie.ac.at/info.

Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040170 UK Statistik hochdimensionaler und komplexer Daten (2016W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung

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 serve").

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

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) :: Springer

An Introduction to Statistical Learning: with Applications in R:: James, Witten, Hastie and Tibshirani (2013)::Springer

Introduction to Highdimensional Statistics::Giroud, Christopher (2014)::Chapman and Hall

Statistical Learning with Sparsity: The Lasso and Generalizations (2015)::Chapman and Hall

Statistics 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