Stud.IP Uni Oldenburg
Universität Oldenburg
22.02.2024 19:06:23
mat865 - Vertiefung zur Statistik
Originalfassung Englisch PDF Download
Modulbezeichnung Vertiefung zur Statistik
Modulkürzel mat865
Kreditpunkte 6.0 KP
Workload 180 h
Einrichtungsverzeichnis Institut für Mathematik
Verwendbarkeit des Moduls
  • Fach-Bachelor Nachhaltigkeitsökonomik (Bachelor) > Wahlpflichtbereich
  • Master Betriebswirtschaftslehre: Management und Recht (Master) > Schwerpunktmodule AFT - Methoden
  • Master Betriebswirtschaftslehre: Management und Recht (Master) > Schwerpunktmodule UF - Methoden
  • Master Mathematik (Master) > Mastermodule
Zuständige Personen
  • Christiansen, Marcus (Modulverantwortung)
  • May, Angelika (Modulverantwortung)
  • Ruckdeschel, Peter (Modulverantwortung)
Teilnahmevoraussetzungen
Kompetenzziele
  • Systematische Vertiefung und Erweiterung der im Bachelorstudium erlangten Kenntnisse und Fähigkeiten zur Mathematik
  • Vernetzung des eigenen mathematischen Wissens durch Herstellung auch inhaltlich komplexer Bezüge zwischen den verschiedenen Bereichen der Mathematik
  • Kennenlernen vertiefter Anwendungen der Mathematik, auch exemplarisch mit Projektcharakter
  • Erwerb direkt berufsbezogener inhaltlicher und prozessorientierter Kompetenzen
  • In dieser Vorlesung wird ein aktuelles, fortgeschrittenes Themengebiet der Angewandten Statistik behandelt. Die Studierenden erwerben damit über den üblichen Kanon statistischer Verfahren hinausgehendes Spezialwissen sowie die Fähigkeit, sich solches Wissen anzueignen und in praktischen Analysen einzusetzen.
Modulinhalte

Es handelt sich um ein Modul, innerhalb dessen kurzfristig verschiedene, aktuelle Themen aus der Statistik angeboten werden können, immer jeweils im Rahmen der Modulvorgaben von 6KP/180h Workload   mögliche solche Themen sind

  •      Angewandte Statistische Methoden in der Ökologie mit R (zuletzt SoSe 2017)
  •      Statistisches Lernen (zuletzt SoSe 2019)

Spezifikation eines konkreten Themas spätestens im Rahmen der rollierenden Vorlesungsplanung

Beispielhaft seien hier die Inhalte zu "Statistisches Lernen" genannt:

  • Prädiktionsverfahren: lineare Regression, GLM in hochdimensionalen Modellen,  regularisierte Regression, Least Absolute Shrinkage and Selection Operator (LASSO),  Support Vector Regression
  • Klassifikationsverfahren und Clustering:
    lineare und quadratische Diskriminanzanalyse (LDA/QD),
    Support Vector Classification, Klassifikationsbäume (CART),
    verschiedene Clusterverfahren
  • Vapnik-Chervonenkis Komplexität von Problemen
  • Resampling Verfahren/Ensemble Methoden: Bagging, Boosting, Random Forests, verschiedene Kreuzvalidierungsstrategien
  • Ausblick auf Ranking-Verfahren und Online-Learning
Literaturempfehlungen

natürlich spezifisch für das jeweilige Thema

hier beispielhaft für "Statistisches Lernen":    

  • Bühlmann, P., van de Geer, S.: Statistics for high-dimensional data: methods, theory and applications. Springer, 2011.
  • Friedman, J., Hastie, T., and Tibshirani, R.: The elements of statistical learning. Springer, 2001.
  • James, G., Witten, D., Hastie, T., and Tibshirani, R.: An introduction to statistical learning. Springer, 2013.
  • Vapnik, V.: Statistical learning theory. Wiley, 1998.
  • Vapnik, V.: The nature of statistical learning theory. Springer, 2013.
Links
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester
Angebotsrhythmus Modul unregelmäßig
Aufnahmekapazität Modul unbegrenzt
Hinweise
Studienschwerpunkt: C
Modulart Wahlpflicht / Elective
Modullevel MM (Mastermodul / Master module)
Lehr-/Lernform Vorlesung + Übung
Lehrveranstaltungsform Kommentar SWS Angebotsrhythmus Workload Präsenz
Vorlesung 3 SoSe oder WiSe 42
Übung 1 SoSe oder WiSe 14
Präsenzzeit Modul insgesamt 56 h
Prüfung Prüfungszeiten Prüfungsform
Gesamtmodul
nach Ende der Vorlesungszeit
Klausur oder mündliche Prüfung oder Fachpraktische Übung (KMÜ)

Nach oben