040170 UK Statistics of high-dimensional and complex data (2016W)
Continuous assessment of course work
Labels
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.
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
- Registration is open from Mo 12.09.2016 09:00 to Th 22.09.2016 14:00
- Deregistration possible until Fr 14.10.2016 14:00
Details
max. 35 participants
Language: German
Lecturers
Classes (iCal) - next class is marked with N
Tuesday
04.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
11.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
18.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
25.10.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
08.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
15.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
22.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
29.11.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
06.12.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
13.12.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
10.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
17.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
24.01.
15:00 - 16:30
PC-Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Untergeschoß
Tuesday
31.01.
15:00 - 16:30
Hörsaal 16 Oskar-Morgenstern-Platz 1 2.Stock
Information
Aims, contents and method of the course
Die Veranstaltung stellt Methoden, die bei der Arbeit mit (großen) hochdimensionalen Datensätze verwendet werden sowie deren Eigenschaften vor.
Assessment and permitted materials
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
50 - 62 Punkte: Note 4
63 - 75 Punkte: Note 3
76 - 87 Punkte: Note 2
88 - 100 Punkte: Note 1
Minimum requirements and assessment criteria
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.
Examination topics
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.
Reading list
Elements of Statistical Learning: data mining, inference and prediction (2nd edition) :: Hastie, Tibshirani and Friedman (2009) :: SpringerAn Introduction to Statistical Learning: with Applications in R:: James, Witten, Hastie and Tibshirani (2013)::SpringerIntroduction to Highdimensional Statistics::Giroud, Christopher (2014)::Chapman and HallStatistical Learning with Sparsity: The Lasso and Generalizations (2015)::Chapman and HallStatistics for High-dimensional Data: methods and theory :: Bühlmann and van de Geer (2011) :: Springer
Association in the course directory
Last modified: Mo 07.09.2020 15:28