Statistisches Lernen 1

Masterstudium

Die Teilnehmer:innen:
• können die Funktionsweise grundlegender Algorithmen im Bereich Data Science beschreiben
• können die statistische Konzepte und Arbeitsweisen hinter den behandelten Algorithmen verstehen
• können zu gegebenen Problemstellungen geeignete Algorithmen selektieren
• können die von den behandelten Algorithmen benötigten Datenstrukturen, Laufzeitspezifika und Komplexitätsklassen benennen
• können die behandelten Algorithmen in isolierten Problemstellungen anwenden

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).

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)

- James, G.; Witten, D; Hastie, T.; Tibshirani, R. (2023). An Introduction to Statistical Learning: with Applications with Python (ISBN: 978-3031387463)
- Bruce. P.; Bruce, A.; Gedeck, P. (2020): Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python (ISBN: 978-1492072942)
- Geron, A. (2022): Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, (ISBN: 978-1098125974)

Klausur

Deutsch

6

Folgende Methoden kommen zum Einsatz:

- Vortrag mit Diskussion
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop

1