Statistisches Lernen und Data Mining (ab SoSe 23)

NUMMER: n.n.
KÜRZEL: SLDM
MODULBEAUFTRAGTE:R: Prof. Dr. Johannes Lederer
DOZENT:IN: Prof. Dr. Johannes Lederer
FAKULTÄT: Fakultät für Mathematik
SPRACHE: Englisch
SWS: 4 SWS
CREDITS: 5 CP
ANGEBOTEN IM: jedes Sommersemester

PRÜFUNGEN

FORM: schriftlich
TERMIN: Siehe Prüfungsamt.

LERNFORM

Hörsaalvorlesung mit Medienunterstützung, insbesondere Datenanalysen mit dem Computer, Tutorien als seminaristischer Unterricht, zusätzlich Selbststudium mit ergänzend bereitgestellten Materialien und Aufgaben

LERNZIELE

Nach dem erfolgreichen Abschluss des Moduls

- kennen die Studierenden Standardmethoden der Datenanalyse
- verstehen die Studierenden, wann welche Methoden passend sind
- sind die Studierenden in der Lage, die Methoden anzuwenden
- können die Studierenden die Ergebnisse interpretieren)

INHALT

In dieser Lehrveranstaltung werden die grundlegenden Methoden der Datenanalyse eingeführt. Dabei werden verschiedene Datentypen berücksichtigt, insbesondere Regressionsdaten und Klassifikationsdaten. Immer werden auch die zu Grunde liegenden statistischen Modelle besprochen. Ebenfalls werden mögliche Anwendungen sowohl im Unterricht als auch in Computer-Übungen vorgestellt.
Ziel ist es, den gesamten Verlauf einfacher Datenanalysen zu vermitteln: Datenaufbereitung, statistische Modellbildung, Auswahl einer Methode, Implementierung der Methode, Visualisierung der Resultate und Interpretation.

VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung

EMPFOHLENE VORKENNTNISSE

Inhalte der Pflichtmodule in Mathematik (Module Mathematik 1 – Grundlagen, Mathematik 2 – Algorithmische Mathematik und Mathematik 3 – Anwendungen,
insbesondere Stochastik)

LITERATUR

G. James, D. Witten, T. Hastie and R. Tibshirani: „An Introduction to Statistical Learning“, Springer Verlag 2017

SONSTIGE INFORMATIONEN

Um den Studierenden angemessene Unterstützung bei den Anwendungsaufgaben zu geben, wird in den Übungen mit Gruppen von maximal 20 Studierenden gearbeitet.
Aktuelle Informationen wie Vorlesungstermine, Räume oder aktuelle Dozent*innen und Übungsleiter*innen sind im Vorlesungsverzeichnis der Ruhr-Universität https://vvz.rub.de/ und im eCampus https://www.rub.de/ecampus/ecampus-webclient/ zu finden.