Statistisches Lernen 1
Niveau
Masterstudium
Lernergebnisse der Lehrveranstaltungen/des Moduls
Folgende Kompetenzen werden in der Lehrveranstaltung erarbeitet:
- Die Studierenden kennen die Funktionsweise grundlegender Algorithmen im Bereich Data Science.
- Die Studierenden verstehen die statistische Konzepte und Arbeitsweisen hinter den behandelten Algorithmen.
- Die Studierenden sind in der Lage für gegebene Problemstellungen geeignete Algorithmen zu selektieren.
- Die Studierenden kennen die von den behandelten Algorithmen benötigten Datenstrukturen, Laufzeitspezifika und Komplexitätsklassen.
- Die Studierenden können die behandelten Algorithmen in isolierten Problemstellungen anwenden.
- Die Studierenden kennen die Funktionsweise grundlegender Algorithmen im Bereich Data Science.
- Die Studierenden verstehen die statistische Konzepte und Arbeitsweisen hinter den behandelten Algorithmen.
- Die Studierenden sind in der Lage für gegebene Problemstellungen geeignete Algorithmen zu selektieren.
- Die Studierenden kennen die von den behandelten Algorithmen benötigten Datenstrukturen, Laufzeitspezifika und Komplexitätsklassen.
- Die Studierenden können die behandelten Algorithmen in isolierten Problemstellungen anwenden.
Voraussetzungen der Lehrveranstaltung
Die Studierenden verfügen über Vorwissen im Bereich Mathematik/Statistik im Umfang von 8 ECTS und kennen daher einfache statistische Maßzahlen, sowie grundlegende statistische Testverfahren (z.B. t-Test).
Lehrinhalte
Folgende Inhalte werden in der Lehrveranstaltung besprochen:
- Statistische Maßzahlen (Punkt- und Intervallschätzer)
- Statistische Testverfahren
- Gruppierungsalgorithmen (Classification Trees, Agglomerativ Hierarchisches Clustering usw.)
- Regressionsalgorithmen (Regression Trees, Random Forests, usw.)
- Assoziative Algorithmen
- Verfahren zur Vorverarbeitung von Daten (z.B. Principal Component Analysis)
- Statistische Maßzahlen (Punkt- und Intervallschätzer)
- Statistische Testverfahren
- Gruppierungsalgorithmen (Classification Trees, Agglomerativ Hierarchisches Clustering usw.)
- Regressionsalgorithmen (Regression Trees, Random Forests, usw.)
- Assoziative Algorithmen
- Verfahren zur Vorverarbeitung von Daten (z.B. Principal Component Analysis)
Empfohlene Fachliteratur
PRIMÄRLITERATUR:
- Murphy, K. P. (2012): Machine Learning: A Probabilistic Perspective (Ed. 1), MIT Press, Cambridge (ISBN: 978-0-262-01802-9)
- Bishop, C. (2006): Pattern Recognition and Machine Learning (Ed. 1), Springer-Verlag, New York (ISBN: 978-0-387-31073-2)
SEKUNDÄRLITERATUR:
- James, G.; Witten, D; Hastie, T.; Tibshirani, R. (2013): An Introduction to Statistical Learning: with Applications in R (Ed. 1), Springer Science & Business Media, New York (ISBN: 978-1-461-471387)
- Steele, B.; Chandler, J.; Reddy, S. (2016): Algorithms for Data Science (Ed. 1), Springer, Berlin (ISBN: 978-3319457956)
- Murphy, K. P. (2012): Machine Learning: A Probabilistic Perspective (Ed. 1), MIT Press, Cambridge (ISBN: 978-0-262-01802-9)
- Bishop, C. (2006): Pattern Recognition and Machine Learning (Ed. 1), Springer-Verlag, New York (ISBN: 978-0-387-31073-2)
SEKUNDÄRLITERATUR:
- James, G.; Witten, D; Hastie, T.; Tibshirani, R. (2013): An Introduction to Statistical Learning: with Applications in R (Ed. 1), Springer Science & Business Media, New York (ISBN: 978-1-461-471387)
- Steele, B.; Chandler, J.; Reddy, S. (2016): Algorithms for Data Science (Ed. 1), Springer, Berlin (ISBN: 978-3319457956)
Bewertungsmethoden und -Kriterien
Klausur
Unterrichtssprache
Deutsch
Anzahl der zugewiesenen ECTS-Credits
6
E-Learning Anteil in %
33
Semesterwochenstunden (SWS)
3.0
Geplante Lehr- und Lernmethode
Folgende Methoden kommen zum Einsatz:
- Vortrag mit Diskussion
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop
- Vortrag mit Diskussion
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
1
Name des/der Vortragenden
Prof. (FH) Dr. Johannes Lüthi, Prof. (FH) Dr. Michael Kohlegger
Studienjahr
Kennzahl der Lehrveranstaltung/des Moduls
MLAL.1
Art der Lehrveranstaltung/des Moduls
Integrierte Lehrveranstaltung
Art der Lehrveranstaltung
Pflichtfach
Praktikum/Praktika
kein