Die Studierenden beherrschen die Grundlagen im Bereich der statistischen Datenaufbereitung mit speziellem Fokus auf verfügbare Werkzeuge. Die Studierenden verstehen die Grundsätze der Statistik und können diese in modernen Datenanalysen einsetzen. Die Studierenden wenden Modelle auf realen Daten mit Hilfe einer ausgewählten Programmierumgebung an.

• ILV: Diskrete Mathematik
• ILV: Lineare Algebra und analytische Geometrie,
• ILV: Statistik Wahrscheinlichkeitstheorie

Im Rahmen der Lehrveranstaltung werden die folgenden Themen behandelt:

• Spezielle statistische Methoden (Multivariate Regression + Regularisierung, Klassifikation, Clustering, Kontingenztafeln, ...)
• Statistische Analysemodelle (Regressionsmodell, explorative Datenanalyse, ...)
• Statistische Analyse von Netzwerkdaten

Folgende Basis-Literatur wird in der Lehrveranstaltung verwendet:

• James G. et al.: "An Introduction to Statistical Learning: with Applications in R", Springer, 6. Auflage, 2016;
• Hastie J. et al.: "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2. Auflage, 2017;

Vortrag, Übungen

Immanenter Prüfungscharakter mit

• Mitarbeit,
• Schriftliche Prüfung/Teilprüfungen