Statistical Learning 2

Masterstudium

Folgende Kompetenzen werden in der Lehrveranstaltung erarbeitet:

- Die Studierenden können weiterführende Algorithmen der Data Science praktisch nachvollziehen.
- Die Studierenden können weiterführende Algorithmen der Data Science für spezifische Einsatzzwecke konfigurieren.
- Die Studierenden können die behandelten Algorithmen in isolierten Problemstellungen anwenden.

1. Semester: 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). / 2. Semester: Keine Voraussetzungen / 2. Semester: Modulprüfung MLAL.A1 (Algorithmik 1)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- weiterführende Modellierungsverfahren
- Ensemble Methoden
- Optimierung von Modellen

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)

Klausur

Englisch

6

30

3.0

Folgende Methoden kommen zum Einsatz:

- Vortrag mit Diskussion
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop

2

Prof. (FH) Dr. Lukas Huber

MLAL.5

Integrierte Lehrveranstaltung

Pflichtfach