Fortgeschrittenenpraktikum Statistical Learning (Advanced Computerlab Statistical Learning)

Mag. Alexander Braumann und Prof. Dr. Jens-Peter Kreiß

Zeit und Ort:

  • Montags, 15:00 - 16:30, UP 2.314
  • Dienstags, 16:45 - 18:15, CIP-Pool, Univeritätsplatz 2, 6. Stock
  • Donnerstags, 08:00 - 09:30, CIP-Pool
  • Erster Termin am 25.10.2022

Alle weiteren Informationen und Materialien zur Vorlesung und zu den Übungen finden sich in Stud.IP.

Infos zur Durchführung der Lehrveranstaltung

Diese Veranstaltung soll soweit wie möglich in Präsenz durchgeführt werden. Sollte dies aufgrund von Maßnahmen im Zuge der COVID-19-Pandemie nicht (oder nicht mehr möglich sein), dann erfolgt ein Wechsel in einen Online-Kurs über BigBlueButton (weitere Informationen folgen zeitnah vor dem Semesterbeginn).

Bitte melden Sie sich vor Beginn der Vorlesungszeit bei StudIP für die "Vorlesung" zu dieser Veranstaltung an (ist freigeschaltet, ohne Passwort). Die "Übung" wird hingegen nicht freigeschaltet.

Inhalt

Betrachtung bekannter Verfahren des maschinellen Lernens für strukturierte und unstrukturierte Daten, sowohl theoretisch aus der Perspektive der mathematischen Statistik, als auch praktisch durch Arbeiten an realen Datensätzen. Das Finden passender Lösungsansätze wird vermittelt, Studierende löosen selbstständig angewandte Fragestellungen mittels der Statistik Software R.

Vorkenntnisse

Kenntnisse der mathematischen Statistik und grundlegende Konzepte der Wahrscheinlichkeitstheorie, wie sie z.B. in den LV "Wahrscheinlichkeitstheorie", "Statistische Verfahren" oder "Mathematische Statistik". Kenntnisse in R oder Python von Vorteil.

This class is supported by DataCamp, the most intuitive learning platform for data science. Learn R, Python and SQL the way you learn best through a combination of short expert videos and hands-on-the-keyboard exercises. Take over 100+ courses by expert instructors on topics such as importing data, data visualization or machine learning and learn faster through immediate and personalised feedback on every exercise.