040713 UK Applied Statistics (2022W)
Continuous assessment of course work
Labels
ON-SITE
Summary
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 12.09.2022 09:00 to Fr 23.09.2022 12:00
- Deregistration possible until Sa 15.10.2022 23:59
Registration information is available for each group.
Groups
Group 1
max. 35 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
Thursday
06.10.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
13.10.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
20.10.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
27.10.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
03.11.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
10.11.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
17.11.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
24.11.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
01.12.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
15.12.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
12.01.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
19.01.
15:00 - 16:30
Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
24.01.
18:30 - 20:00
Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Reading list
Kosinski, M., Wang, Y., Lakkaraju, H., Leskovec, J. (2016) Mining big data to extract patterns and predict real-life outcomes, Psychological Methods 21(4), 493-506.
Fahrmeir, L., Hamerle, A., Tutz, G. (1996) Multivariate statistische Verfahren
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Fahrmeir, L., Hamerle, A., Tutz, G. (1996) Multivariate statistische Verfahren
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Group 2
max. 35 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
Tuesday
04.10.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
11.10.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
18.10.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
25.10.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
08.11.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
15.11.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
22.11.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
29.11.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
06.12.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
13.12.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
10.01.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
17.01.
16:45 - 18:15
Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday
24.01.
18:30 - 20:00
Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Reading list
Kosinski, M., Wang, Y., Lakkaraju, H., Leskovec, J. (2016) Mining big data to extract patterns and predict real-life outcomes, Psychological Methods 21(4), 493-506.
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Information
Aims, contents and method of the course
Assessment and permitted materials
Es gibt eine Programmieraufgabe zu jedem Thema. Die Programmieraufgaben werden am 17.11.2022 (Gruppe 1) bzw am 22.11.2022 (Gruppe 2) und am 12.01.2023 (Gruppe 1) bzw. am 10.01.2023 (Gruppe 2) vergeben und eine Woche später abgegeben und besprochen.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten.
Minimum requirements and assessment criteria
30 Punkte Programmieraufgabe zum Thema 1
30 Punkte Programmieraufgabe zum Thema 2
40 Punkte schriftliche AbschlussprüfungDie Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
30 Punkte Programmieraufgabe zum Thema 2
40 Punkte schriftliche AbschlussprüfungDie Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
Examination topics
Inhalte der behandelten Themen
Association in the course directory
Last modified: Tu 06.12.2022 13:48
Erwerb von Kenntnissen in der Anwendung statistischer Methoden auf praktische Fragestellungen und die Lösung von konkreten Anwendungsproblemen.Inhalte:
Die Vorlesung basiert auf dem Aufsatz von Kosinski et al. (2016) "Mining big data to extract patterns and predict real-life outcomes’’
https://www.apa.org/pubs/journals/features/met-met0000104.pdf
Es werden mithilfe der Daten aus diesem Aufsatz die Datenreduktion und Strukturerkennung mit
1. SVD (Singulärwertzerlegung) und LDA (latent Dirichlet allocation) in der Regression
und
2. Partielle kleinste Quadraten (PLS) und Lasso
besprochen.Methoden:
Vorlesung mit kombinierter Übung. Es besteht Anwesenheitspflicht in der ersten Einheit und in den Übungen.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.