I834 – Mehrdimensionale Datenanalyse und statistische Lernverfahren

Modul
Mehrdimensionale Datenanalyse und statistische Lernverfahren
Multidinesional data analysis and statistical learning techniques
Modulnummer
I834 [I-834]
Version: 1
Fakultät
Informatik/Mathematik
Niveau
Master
Dauer
1 Semester
Turnus
Sommersemester
Modulverantwortliche/-r

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

Dozent/-in(nen)

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

Lehrsprache(n)

Deutsch
in "Multivariate Datenanalyse und statistische Lernverfahren"

ECTS-Credits

5.00 Credits

Workload

150 Stunden

Lehrveranstaltungen

4.00 SWS (2.00 SWS Vorlesung | 1.00 SWS Übung | 1.00 SWS Praktikum)

Selbststudienzeit

90.00 Stunden

Prüfungsvorleistung(en)
Keine
Prüfungsleistung(en)

Mündliche Prüfungsleistung
Modulprüfung | Prüfungsdauer: 25 min | Wichtung: 100%
in "Multivariate Datenanalyse und statistische Lernverfahren"

Lehrform

Präsenzvorlesungen, Übungen, Übungen im PC-Labor

Medienform
Keine Angabe
Lehrinhalte/Gliederung

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)
Qualifikationsziele

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.

Sozial- und Selbstkompetenzen
Keine Angabe
Besondere Zulassungsvoraussetzung
Keine Angabe
Empfohlene Voraussetzungen

Grundkenntnisse der Wahrscheinlichkeitstheorie und Statistik

Fortsetzungsmöglichkeiten
Keine Angabe
Literatur

Wird vom Vorlesenden zu Beginn der Veranstaltung bekannt gegeben.

Aktuelle Lehrressourcen
Keine
Hinweise
Keine Angabe