312.240 (18S) Ausgewählte Kapitel der Statistik

Sommersemester 2018

Anmeldefrist abgelaufen.

Erster Termin der LV
16.03.2018 13:00 - 17:00 , HS 10
... keine weiteren Termine bekannt

Überblick

Lehrende/r
LV-Titel englisch
Selected Topics in Statistics
LV-Art
Vorlesung-Übung (prüfungsimmanente LV )
Semesterstunde/n
3.0
ECTS-Anrechungspunkte
5.0
Anmeldungen
8 (25 max.)
Organisationseinheit
Unterrichtssprache
es wurde keine Unterrichtssprache angegeben
LV-Beginn
01.03.2018

LV-Beschreibung

Lehrmethodik

  • Deutscher Vortrag mit englischen Folien. 
  • Teilweise Blended Learning.
  • Aktive Teilnahme der Studierenden, studentische Präsentationen zu ausgewählten statistischen Themen (aus Büchern, siehe unten), Ausarbeitung von Übungsaufgaben (teilweise R-basiert).

Inhalt/e

Regression and classification methods based on the classical linear model and its extensions constitute a core part of multivariate statistics. Over the last two decades various new approaches have been developed which are more appropriate for those data we currently collect in business intelligence (BI), information technology (IT), and biotechnology applications. Most of them relax parametric model assumptions and add additional flexibility when our task is fitting models to quantitative observations. Others are destined to perform predictive tasks. The latter belong to the group of statistical learning procedures. A methodological and computational challenge is the huge size (‘big data’) and the high complexity of many data sets of interest.

Modern regression and classification techniques heavily rely on efficient computing. Statistical learning blends concepts of statistics and machine learning. In the lectures selected statistical approaches and appropriate computer concepts are introduced. A deeper understanding can be gained in exercises applying the open source statistics and graphics environment R.

Literatur

  • Bühlmann, P. et al. (eds; 2016) Handbook of Big Data. Boca Raton: CRC Press.
  • Efron, B. and Hastie, T. (2016) Computer Age Statistical Inference. Cambridge: Cambridge University Press.
  • Gareth, J., Witten, D., Hastie, T. and Tibshirani, R (2013) An Introduction to Statistical Learning with Applications in R. New York: Springer.
  • Hastie, T., Tibshirani, R. and Friedman, J. (2009; 2nd edition) The Elements of Statistical Learning. Data Mining, Inference, and Prediction. New York: Springer.
  • Hastie, T., Tibshirani, R. and Wainwright, M. (2015) Statistical Learning with Sparsity. Boca Raton: CRC Press.
  • Schimek, M. G. (ed; 2000) Smoothing and Regression. Approaches, Computation and Application. New York: John Wiley.

Prüfungsinformationen

Beurteilungsschema

Note/Grade Benotungsschema

Position im Curriculum

  • Doktoratsprogramm Modeling-Analysis-Optimization of discrete, continuous and stochastic systems (SKZ: ---, Version: 16W.1)
    • Fach: Modeling-Analysis-Optimization of discrete, continuous and stochastic systems (Pflichtfach)
      • Modeling-Analysis - Optimization of discrete, continuous and stochastic systems ( 0.0h XX / 0.0 ECTS)
        • 312.240 Ausgewählte Kapitel der Statistik (3.0h VU / 5.0 ECTS)
  • Masterstudium Informationsmanagement (SKZ: 922, Version: 13W.2)
    • Fach: Freie Wahlfächer (Freifach)
      • Freie Wahlfächer ( 0.0h XX / 6.0 ECTS)
        • 312.240 Ausgewählte Kapitel der Statistik (3.0h VU / 5.0 ECTS)
  • Masterstudium Technische Mathematik (SKZ: 401, Version: 13W.1)
    • Fach: Angewandte Statistik (Wahlfach)
      • Ausgewählte Kapitel der Statistik ( 3.0h VU / 5.0 ECTS)
        • 312.240 Ausgewählte Kapitel der Statistik (3.0h VU / 5.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet