330152 VO+SE Statistische Datenanalyse mit R (2019S)
für Masterstudierende
Prüfungsimmanente Lehrveranstaltung
Labels
Zur Teilnahme ist ein eigener Laptop mitzubringen
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mi 20.03.2019 10:00 bis Fr 22.03.2019 10:00
- Abmeldung bis Fr 22.03.2019 10:00
Details
max. 15 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
TeilnehmerInnen müssen ihren eigenen Laptop mitbringen.
Vorzugsweise sollte darauf schon R und RStudio installiert sein:
https://www.r-project.org
https://www.rstudio.com/products/rstudio-desktop/
- Freitag 29.03. 14:00 - 16:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Dienstag 07.05. 09:00 - 11:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Freitag 17.05. 09:00 - 11:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Freitag 14.06. 14:00 - 16:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Dienstag 18.06. 09:00 - 11:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Dienstag 25.06. 09:00 - 11:00 Seminarraum 2E562 Ernährungswissenschaften UZA II
- Donnerstag 27.06. 12:30 - 15:30 Seminarraum 2E560 Ernährungswissenschaften UZA II
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Die Leistung wird anhand der aktiven Teilnahme und einer Projektarbeit beurteilt.
Mindestanforderungen und Beurteilungsmaßstab
- Projektarbeit (Handout, Präsentation): 75%
- Aktive Teilnahme: 25%Bestehensgrenze: 60%
- Aktive Teilnahme: 25%Bestehensgrenze: 60%
Prüfungsstoff
Stoff der Vorlesung gem. Folien und Vortrag
Literatur
siehe e-learning Plattform Moodle
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Sa 02.04.2022 00:27
Einführung in R und RStudio
Grundlagen in R
Datentypen
Daten einlesen, aufbereiten und exportieren
Schreiben von einfachen Funktionen
Visualisierung mit ggplot2
Testen in R
Einfache und multiple lineare Regression
logistische Regression
Modellauswahl und Modellbewertung