Universität Wien

040971 UK Computational Statistics (2023S)

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

An/Abmeldung

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

Details

max. 65 Teilnehmer*innen
Sprache: Deutsch, Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Wir werden moderne statistische Methoden zur Datenanalyse untersuchen, einschließlich ihrer algorithmischen Aspekte und theoretischen Eigenschaften. Der Kurs ist praxisorientiert, und Methoden werden mit der Programmiersprache Python angewendet.

Diese Vorlesung setzt rudimentäre Programmierkentnisse voraus, wie sie z.B. in der vorangegangenen Lehrveranstalung "UK Statistisches Programmieren" vermittelt worden sind, kann theoretisch aber auch ohne Vorkentnisse absolviert werden.
Vor Beginn der Vorlesung empfiehlt es sich, sich mit "Google colab" vertaut zu machen, welches in der Vorlesung verwendet wird oder Python auf dem eigenen Rechner zu installieren. Dafür empfehlen wir den Paket Manager Anaconda or miniconda.

Eine gute Ergänzung zu "Computational statistics" ist die Vorlesung: Grundlagen von Python der STV Statistik. (Diese ist aber nicht notwendig für die Absolvierung von "Computational statistics".)

  • Montag 06.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 06.03. 15:00 - 16:30 Seminarraum 5, Kolingasse 14-16, EG00
  • Montag 20.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 20.03. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 27.03. 09:45 - 11:15 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 27.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 17.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 17.04. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 24.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 24.04. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 08.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 08.05. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 15.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 15.05. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 22.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 22.05. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 05.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 05.06. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 12.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 12.06. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 19.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 19.06. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01
  • Montag 26.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 26.06. 15:00 - 16:30 Seminarraum 15, Kolingasse 14-16, OG01

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziele:

In diesem Kurs werden die Studierenden
- Python-Grundlagen
- Verwenden Sie Python zur Datenvisualisierung und -analyse
- Erstellung detaillierter Problemberichte
- Verständnis der zugrunde liegenden Methoden
- Grundlegende Konzepte des statistischen Rechnens erlernen

Inhalt:

1. Crashkurs in Python
2. Lineare Regression, kNN, Cross validation
3. Hypothesentests
4. Konfidenzintervalle und Bias-Varianz-Tradeoff
5. Simulation
6. Modellauswahl

Art der Leistungskontrolle und erlaubte Hilfsmittel

Wöchentliche Übungseinheiten und ein Abschlussprojekt.
Die Note setzt sich aus zwei Teilen zusammen:
1.) 65% aus der Anzahl der gemachten Übungsbeispiele und deren Bewertung.
2.) 35% Projekt.
Genaue Details zum Projekt werden während der Vorlesung bekannt gegeben.
Ab der zweiten Woche werden wöchentlich, je nach Teilnehmerzahl, ca.5 Übungsbeispiele gestellt, die in der darauffolgenden Übung von den Teilnehmern zu präsentieren sind.
Die gemachten Beispiele sollen vor(!) Beginn der Übungseinheit auf Moodle angekreuzt werden und werden durch die/den betreffenden Übungsleiter(in) kontrolliert.
Um den Kurs positiv abzuschließen, müssen mindestens 50% der Übungsbeispiele gemacht und positiv bewertet werden.
Die zur Zufriedenheit der/des betreffenden Übungsleiter(in) gelösten Beispiele werden nach folgendem Schema bewertet:
100% - 90%: 1
89% - 80%: 2
79% - 70%: 3
69% - 50%: 4
49% - 0%: 5(fail)

Es steht der/dem Übungsleiter(in) frei Beispiele abzuerkennen wenn es nicht nachvollziehbar ist, dass diese eigenständig gelöst oder verstanden wurden.

Mindestanforderungen und Beurteilungsmaßstab

50% der Übungsbeispiele und ein positiv bewertetes Abschlussprojekt.

Prüfungsstoff

Vorlesungsstoff

Literatur

Gareth, James, et al. An introduction to statistical learning: with applications in R. Spinger, 2013.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Do 23.03.2023 14:27