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

040120 UK Statistical Learning & Analytics (MA) (2022W)

6.00 ECTS (3.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
VOR-ORT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Montag 24.10. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 31.10. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 07.11. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 14.11. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 21.11. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 28.11. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 05.12. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 12.12. 08:00 - 11:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

This course aims to provide a holistic overview of the modern Statistical Learning toolbox. This course emphasizes on understanding the intuition behind the tools and not on deriving the underlying mathematics. We will make productive use of analytics tools available in R. While the class focuses on simplified models, it aims to bridge the classroom knowledge and business applications. Topics will include linear regression, generalized linear regression, resampling methods, model selection, regularization, etc.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Class participation (Individual) 10%
Assignment (Group) 20%
In-class quiz (Individual) 40%
Final Project (Group) 30%

Mindestanforderungen und Beurteilungsmaßstab

Requirements to successfully complete the class: at least 50% from the following four different types of required work

Class participation (Individual) 10%
Assignment (Group) 20%
In-class quiz (Individual) 40%
Final Project (Group) 30%

Prüfungsstoff

Class participation, assignment, in-class quiz, final project.

Literatur

– [ISLR] An Introduction to Statistical Learning --- with Applications in R
o http://www-bcf.usc.edu/~gareth/ISL/index.html
– [ESL] The Elements of Statistical Learning: Data Mining, Inference, and Prediction
o http://statweb.stanford.edu/~tibs/ElemStatLearn/
– [DSB] Data Science for Business
o http://www.data-science-for-biz.com/

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mi 14.09.2022 09:07