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

040771 UK Statistische Fallstudien (2017W)

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

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 30 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Mittwoch 11.10. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 18.10. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 25.10. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 08.11. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 15.11. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 22.11. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 29.11. 15:00 - 16:30 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 06.12. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 13.12. 15:00 - 16:30 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 10.01. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 17.01. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 24.01. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 31.01. 15:00 - 16:30 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

This course develops computational tools using a variety of real, complex data sets. Some statistical techniques will be discussed (such as classification trees, k-nearest neighbors, and naive Bayes), but these are not the focus of the course. From the preface to the required text: the course focuses on "computational reasoning and details of real-world data analyses...Our goal is not to provide short, tidy answers and solutions, but to explore the problems, possible solutions, and the thought process involved in addressing data science projects."

Art der Leistungskontrolle und erlaubte Hilfsmittel

Presentations and homework.

Mindestanforderungen und Beurteilungsmaßstab

As the course is focused on using R, previous familiarity with R will be helpful. This is not a strict requirement, however, as long as one is willing to get up to speed quickly. No course time will be dedicated to "introduction to R"-type material.

Prüfungsstoff

Literatur

Required: Data Science in R: A Case Studies Approach to Computational Reasoning (2015)

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29