mar768 Statistische Analyse (Vollständige Modulbeschreibung)

Modulbezeichnung

Statistische Analyse

Modulkürzel

mar768

Kreditpunkte

6,0 KP

Verantwortliche Einrichtung

Institut für Chemie und Biologie des Meeres (ICBM)

Zuständige Personen

Modulverantwortung:

Alexey Ryabov

Teilnahmevoraussetzungen

Empfohlene Vorkenntnisse

Erfahrung im Umgang mit R oder Matlab.

Unterrichtsprachen

Deutsch, Englisch

Lernergebnisse/Kompetenzen

Die Studierenden besitzen vertiefte Kenntnisse in modernen Methoden der Statistischen Analyse von Umweltdaten. Sie können Umweltsysteme mit Hilfe dieser Methoden modellieren. Sie können neue methodische Zugänge aus Originalpublikationen erfassen, verstehen und präsentieren.

VL and SE Machine learning in the environmental sciences
The students acquire the latest methods in the field of mathematical modeling and analysis of
large datasets (Big Data) and their application areas. They are capable of implementing
analyses using the Matlab language. They learn to engage with current literature and critically
evaluate the latest methods regarding data security and usability in a scientific context.

Modulinhalte

Spezielle Methoden der Statistischen / Stochastischen Modellierung (VL, Ü, S)

Spezialvorlesung (teilweise mit Übung) oder Seminar mit wechselnden Inhalten, um aktuelle Forschungsgebiete der statistischen und stochastischen Modellierung darzustellen. Beispielhafte Inhalte: z.B. Korrelation, Kausalität und ihre Rekonstruktion aus multivariaten Zeitreihen, Generalisierte Regression, Mathematische Grundlagen der Angewandten Statistik, Computerintensive Verfahren.

VL and SE Machine learning in the environmental sciences
In this course the students will learn to think as a data scientist and ask questions about the
data. First, we will learn how to work with tables and extract statistics on groups of data. Then,
we will go to the basic approaches of machine learning: supervised learning (classification and
regression trees, neural networks), unsupervised learning (cluster analysis, factor analysis),
reducing system dimensions (PCA, MDA ect.), statistical modelling (regression, generalized
linear models), and optimization of model parameters (simulated annealing, differential
evolution). Finally, we will focus on typical workflow of the data processing. We will use Matlab
to implement the algorithms.

Literaturempfehlungen

Fachliteratur wird in der Lehrveranstaltung bekannt gegeben.

Zu erbringende Leistungen

Prüfungsart, -umfang, -dauer

1 benotete Prüfungsleistung
Klausur oder fachpraktische Übung (testierte Übungsaufgaben) oder mündliche Prüfung oder Referat oder Hausarbeit oder Seminararbeit

Aktive Teilnahme
Aktive Teilnahme umfasst z.B. die regelmäßige Abgabe von Übungen, Anfertigung von Lösungen zu Übungsaufgaben, die Protokollierung der jeweils durchgeführten Versuche bzw. der praktischen Arbeiten, die Diskussion von Seminarbeiträgen oder Darstellungen von Aufgaben bzw. Inhalten in der Lehrveranstaltung in Form von Kurzberichten oder Kurzreferat. Die Festlegung hierzu erfolgt durch den Lehrenden zu Beginn des Semesters bzw. zu Beginn der Veranstaltung.

Prüfungszeiten

Klausur am Ende der Veranstaltungszeit oder alle anderen möglichen Prüfungsleistungen nach Maßgabe der Dozentin oder des Dozenten

Dauer in Semestern

1 Semester

Angebotsrhythmus

jährlich

Workload

Arbeitsaufwand gesamt	Davon Präsenzzeit
180 h

Lehrveranstaltungsform

Veranstaltungsart	SWS	Angebotsrhythmus	Workload Präsenzzeit
Vorlesung	2	SoSe oder WiSe	28 h
Seminar	1	SoSe oder WiSe	14 h
Übung	1	SoSe oder WiSe	14 h

Zusätzliche Hinweise

Aufnahmekapazität:
unbegrenzt

Lehr-/Lernform:
SoSE:
VL Machine learning in the environmental sciences
SE Machine learning in the environmental sciences

Verwendbarkeit des Moduls

Master Umweltmodellierung > Mastermodule

Modulart

Wahlpflicht / Elective

Modullevel

MM (Mastermodul / Master module)