Grundlagen im Bereich der statistischen Datenaufbereitung mit speziellem Fokus auf verfügbare Werkzeuge. Die Studierenden erhalten ausgewählte Kenntnisse in Statistik und können diese in modernen Datenanalysen einsetzen. Die Anwendung der Modelle auf realen Daten erfolgt mit Hilfe einer ausgewählten Programmierumgebung.

Mathematik für IT 1+2, 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;

Vorlesung und Übungen

Prüfungsimmanenter Charakter mit

• Mitarbeit,
• Abschlussprüfung