Universität Wien

040971 UK Computational Statistics (2024S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Continuous assessment of course work
Moodle

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).

Details

max. 65 participants
Language: German, English

Lecturers

Classes (iCal) - next class is marked with N

ACHTUNG: Anwesenheit in der ersten Übungseinheit ist für die Teilnahme unbedingt erforderlich!
Eigenen Laptop mitbringen!

  • Monday 04.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 11.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 18.03. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 08.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 15.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 22.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 29.04. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 06.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 13.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 27.05. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 03.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 10.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 17.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 24.06. 11:30 - 13:00 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock

Information

Aims, contents and method of the course

Ziele:
- Statistische Datenanalyse in Python mit Blick auf Deep-Learning.
- Vorkenntnisee: Bachelor-Statistik im 4.Semester, insbesondere Analysis, Lineare Algebra, Wahrscheinlichkeitsrechnung, Inferenzstatistik, Lineare Modelle, Statistisches Programmieren. Keine Python Vorkenntnisse notwendig aber R hilfreich.

Inhalte:
- Python/Jupyter basics (grundlegende Sprachkonzepte im Vergleich zu R)
- Tensoralgebra und einfache Montecarlo Methoden (NumPy)
- Datenverarbeitung, lineare und logistische Regression (Pandas, scikit-learn)
- Visualisierung (Matplotlib, Seaborn)
- Grundlagen der Computernumerik (Newton, Matrix Inversion, EM, GD, SGD)
- Einführung in Deep-Learning (TensorFlow, Keras)

Assessment and permitted materials

4 Übungseinheiten + 4 Quizzes pro Semester.
Es sind jeweils 10 Punkte zu erreichen.

Minimum requirements and assessment criteria

Die Gesamtnote ergibt sich wie folgt:
80 - 71P: 1
70 - 61P: 2
60 - 51P: 3
50 - 41P: 4
0 - 40P : 5

Examination topics

Vorlesungsstoff

Reading list

- Galea, A. and Capelo, L. (2018): 'Applied Deep Learning with Python', Packt Publishing, Birmingham.
- Chollet, F. (2018): 'Deep Learning mit Python und Keras', mitp Verlag, Frechen.

Association in the course directory

Last modified: We 31.07.2024 11:25