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.

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.

052300 VU Foundations of Data Analysis (2016W)

Prüfungsimmanente Lehrveranstaltung

An/Abmeldung

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

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Montag 03.10. 13:15 - 14:45 Hörsaal 1, Währinger Straße 29 1.UG (Vorbesprechung)
Mittwoch 05.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 10.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
Mittwoch 12.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 17.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
Mittwoch 19.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 24.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
Montag 31.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
Montag 07.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 09.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 14.11. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
Mittwoch 16.11. 08:00 - 09:30 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 16.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 21.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 23.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 28.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 30.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Montag 05.12. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 07.12. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
Freitag 09.12. 15:00 - 16:30 Seminarraum 8, Währinger Straße 29 1.OG
Montag 12.12. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 14.12. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 11.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 18.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
Mittwoch 25.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
Montag 30.01. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Today's currency is data. However, data is only useful if we are able to extract useful information from it. This is the aim of data analysis in general. This course aims to survey the foundations of data analysis. This includes concepts from statistical inference, regression analysis, classification analysis, clustering analysis, dimensionality reduction.

Concepts as well as techniques are introduced and practiced.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Mindestanforderungen und Beurteilungsmaßstab

For bachelor students, the mandatory prerequisite for this class is the successful completion of the following courses:
- StEOP
- Programmierung 2 (PR2)
- Mathematische Grundlagen der Informatik 2 (MG2)
- Theoretische Informatik (THI)
- Modellierung (MOD)
- Algorithmen und Datenstrukturen (ADS)

Prüfungsstoff

1. Models, Statistical Inference, and General Techniques
1.1. Fundamental Concepts in Inference
1.2. Parametric Inference
1.3. Hypothesis Testing and p-values
1.4. The Bootstrap
1.5. Data Splitting, Cross-Validation
2. Regression Modelling
2.1. Simple Linear Regression
2.2. Multiple Regression
2.3. Further Regression Methods
2.4. Generalized Linear Models
2.5. Regression Trees
3. Classification Modelling
3.1. Decision Theoretic Introduction; Error rates, and Bayes Optimality
3.2. Logistic Regression
3.3. Classification Trees
3.4. Support Vector Machines
3.6. Further Classification Methods
4. Neural Networks
5. Basic Techniques of Unsupervised Learning
5.1. Dimension Reduction (Matrix Factorization)
5.2. Association Rules
6. Clustering Methods
6.1. Hierarchical Clustering
6.2. Model-based Clustering
6.3. Evaluation and Validation of Clustering Results
6.4. Density-based Clustering
6.5. Self Organizing Maps

Literatur

> Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer 2007.
> Han, Kamber: Data Mining: Concepts and Techniques, Elsevier 2012.
> Hastie-Tibshirani-Friedman: The Elements of Statistical Learning, Springer 2009.
> James-Witten-Hastie-Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer 2015.


Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:30