Universität Wien

040242 VO Ökonometrie und Statistik (MA) (2018W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften

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

Vorlesung entfällt am 31.10.2018

  • Mittwoch 03.10. 16:45 - 18:15 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 10.10. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 17.10. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 24.10. 16:45 - 18:15 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 31.10. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 07.11. 16:45 - 18:15 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 14.11. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 21.11. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 28.11. 16:45 - 18:15 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 05.12. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 12.12. 16:45 - 18:15 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 09.01. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 16.01. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock
  • Mittwoch 23.01. 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.

• Sampling
• Supervised und unsupervised learning
• multiple Regression
• logistische Regression
• Kontingenztafelanalyse
• Varianzanalyse
• Zeitreihenanalyse

Art der Leistungskontrolle und erlaubte Hilfsmittel

Test am Semesterende, Schriftliche Prüfung

Mindestanforderungen und Beurteilungsmaßstab

Um den Kurs positiv zu absolvieren müssen mindestens 50% der Punkte erreicht werden.

Prüfungsstoff

Analysieren einer Problemstellung und skizieren der Lösung mittels Datamining Verstehen (= lesen und interpretieren können) der statistischen Modelle und der Vorgehensweise beim Datamining

Mehr Details zur Prüfung werden während des Kurses bekanntgegeben.

Literatur

Werner Brannath, Andreas Futschik, Statistik für Wirtschaftswissenschaftler

Luis Torgo / "Data Mining with R Learning with Case Studies"

Weitere Literatur wird während der Vorlesung bekannt gegeben.

Folien, die im Kurs diskutiert werden (werden auf der Homepage veröffentlicht).

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29