I834 – Multidinesional data analysis and statistical learning techniques

Module
Multidinesional data analysis and statistical learning techniques
Mehrdimensionale Datenanalyse und statistische Lernverfahren
Module number
I834 [I-834]
Version: 1
Faculty
Informatics/Mathematics
Level
Master
Duration
1 Semester
Semester
Summer semester
Module supervisor

Prof. Dr. rer. nat. Fabian Schwarzenberger
fabian.schwarzenberger(at)htw-dresden.de

Lecturer(s)

Prof. Dr. rer. nat. Fabian Schwarzenberger
fabian.schwarzenberger(at)htw-dresden.de

Course language(s)

German
in "Multivariate Datenanalyse und statistische Lernverfahren"

ECTS credits

5.00 credits

Workload

150 hours

Courses

4.00 SCH (2.00 SCH Lecture | 1.00 SCH Seminar | 1.00 SCH Internship)

Self-study time

90.00 hours

Pre-examination(s)
None
Examination(s)

Oral examination
Module examination | Examination time: 25 min | Weighting: 100%
in "Multivariate Datenanalyse und statistische Lernverfahren"

Form of teaching

Präsenzvorlesungen, Übungen, Übungen im PC-Labor

Media type
No information
Instruction content/structure

Eine bedarfsgerechte Auswahl aus den Themen-Schwerpunkten:

  • Regression (z.B. multiple, lineare, nichtlineare Regression, Varianzanalyse)
  • Modellwahl und Modellbewertung (z.B. The Lasso, Ridge Regression, Bootstrap, Kreuzvalidierung)
  • Klassifikationsmethoden (z.B. Diskriminanzanalyse, logistische Regression)
  • Dimensionsreduktion (z.B. Hauptkomponenten-Analyse, multidimensionale Skalierung, nichtlineare Dimensionsreduktion, Faktoranalyse)
Qualification objectives

Die Studierenden beherrschen die wesentlichen Grundlagen der multivariaten Statistik. Sie können eigenständig von einer praktischen Anwendung auf das zu Grunde liegende statistische Problem schließen. Die Studenten sind vertraut mit einer Reihe von Methoden des statistischen Lernens und können abhängig vom vorliegenden statistischen Problem die Anwendbarkeit der jeweiligen Methoden diskutieren und sich selbstständig für ein passendes Verfahren entscheiden.

Zur Umsetzung der Verfahren sind die Studierenden mit der Statistik-Software R vertraut. Hier sind sie in der Lage in der Programmierumgebung von R eigene Algorithmen zu entwickeln, vordefinierte Funktionen und Pakete zielgerichtet einzusetzen, sowie die Ergebnisse ihrer Berechnungen adäquat zu interpretieren.

Social and personal skills
No information
Special admission requirements
No information
Recommended prerequisites

Grundkenntnisse der Wahrscheinlichkeitstheorie und Statistik

Continuation options
No information
Literature

Wird vom Vorlesenden zu Beginn der Veranstaltung bekannt gegeben.

Current teaching resources
None
Notes
No information