Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040038 VO Ökonometrie und Statistik (MA) (2022S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Für diese LV an-/abmelden

Details

Sprache: Deutsch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 01.03. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 08.03. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 15.03. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 22.03. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 29.03. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 05.04. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 03.05. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 10.05. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 17.05. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 24.05. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 31.05. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 14.06. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Dienstag 21.06. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Datamining und Big Data anhand von Fallbeispielen

Im Kurs werden Konzepte des Datamining und Big Data anhand von Fallbeispielen erläutert und diskutiert.

Die Beispiele kommen aus den Themenbereichen

. Customer Relationship Management
. Fraud Detection
. Revenue Management
. Market Research

Die vorgestellten Konzepte des Dataming’s und Big Data umfassen u.a.

. multiple Regression,
. logistische Regression
. Kontingenztafelanalyse
. Varianzanalyse
. Zeitreihenanalyse
. Supervised und unsupervised learning

Art der Leistungskontrolle und erlaubte Hilfsmittel

Schriftliche Prüfung

Mindestanforderungen und Beurteilungsmaßstab

Um den Kurs positiv zu absolvieren müssen mindestens 60% der Punkte erreicht werden.

Prüfungsstoff

Analysieren einer Problemstellung und skizieren der Lösung mittels Datamining

Verstehen (= lesen und interpretieren können) der statistischen Modellgleichungen
und der Vorgehensweise beim Datamining

Mehr Details zur Prüfung werden während des Kurses bekanntgegeben.

Literatur

Folien und Audio
Themenbezogen Literaturhinweise während des Kurses

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Di 10.01.2023 11:48