052300 VU Foundations of Data Analysis (2016W)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 19.09.2016 09:00 bis So 25.09.2016 23:59
- Abmeldung bis So 16.10.2016 23:59
Details
max. 50 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Montag 03.10. 13:15 - 14:45 Hörsaal 1, Währinger Straße 29 1.UG (Vorbesprechung)
- Mittwoch 05.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 10.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
- Mittwoch 12.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 17.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
- Mittwoch 19.10. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 24.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
- Montag 31.10. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
- Montag 07.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 09.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 14.11. 13:15 - 14:45 (ehem. Hörsaal 23 Hauptgebäude, 1.Stock, Stiege 5)
- Mittwoch 16.11. 08:00 - 09:30 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 16.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 21.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 23.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 28.11. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 30.11. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 05.12. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 07.12. 09:45 - 11:15 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 09.12. 15:00 - 16:30 Seminarraum 8, Währinger Straße 29 1.OG
- Montag 12.12. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 14.12. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 11.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 18.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Mittwoch 25.01. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Montag 30.01. 13:15 - 14:45 Hörsaal 2, Währinger Straße 29 2.OG
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Today's currency is data. However, data is only useful if we are able to extract useful information from it. This is the aim of data analysis in general. This course aims to survey the foundations of data analysis. This includes concepts from statistical inference, regression analysis, classification analysis, clustering analysis, dimensionality reduction.Concepts as well as techniques are introduced and practiced.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Mindestanforderungen und Beurteilungsmaßstab
For bachelor students, the mandatory prerequisite for this class is the successful completion of the following courses:
- StEOP
- Programmierung 2 (PR2)
- Mathematische Grundlagen der Informatik 2 (MG2)
- Theoretische Informatik (THI)
- Modellierung (MOD)
- Algorithmen und Datenstrukturen (ADS)
- StEOP
- Programmierung 2 (PR2)
- Mathematische Grundlagen der Informatik 2 (MG2)
- Theoretische Informatik (THI)
- Modellierung (MOD)
- Algorithmen und Datenstrukturen (ADS)
Prüfungsstoff
1. Models, Statistical Inference, and General Techniques
1.1. Fundamental Concepts in Inference
1.2. Parametric Inference
1.3. Hypothesis Testing and p-values
1.4. The Bootstrap
1.5. Data Splitting, Cross-Validation
2. Regression Modelling
2.1. Simple Linear Regression
2.2. Multiple Regression
2.3. Further Regression Methods
2.4. Generalized Linear Models
2.5. Regression Trees
3. Classification Modelling
3.1. Decision Theoretic Introduction; Error rates, and Bayes Optimality
3.2. Logistic Regression
3.3. Classification Trees
3.4. Support Vector Machines
3.6. Further Classification Methods
4. Neural Networks
5. Basic Techniques of Unsupervised Learning
5.1. Dimension Reduction (Matrix Factorization)
5.2. Association Rules
6. Clustering Methods
6.1. Hierarchical Clustering
6.2. Model-based Clustering
6.3. Evaluation and Validation of Clustering Results
6.4. Density-based Clustering
6.5. Self Organizing Maps
1.1. Fundamental Concepts in Inference
1.2. Parametric Inference
1.3. Hypothesis Testing and p-values
1.4. The Bootstrap
1.5. Data Splitting, Cross-Validation
2. Regression Modelling
2.1. Simple Linear Regression
2.2. Multiple Regression
2.3. Further Regression Methods
2.4. Generalized Linear Models
2.5. Regression Trees
3. Classification Modelling
3.1. Decision Theoretic Introduction; Error rates, and Bayes Optimality
3.2. Logistic Regression
3.3. Classification Trees
3.4. Support Vector Machines
3.6. Further Classification Methods
4. Neural Networks
5. Basic Techniques of Unsupervised Learning
5.1. Dimension Reduction (Matrix Factorization)
5.2. Association Rules
6. Clustering Methods
6.1. Hierarchical Clustering
6.2. Model-based Clustering
6.3. Evaluation and Validation of Clustering Results
6.4. Density-based Clustering
6.5. Self Organizing Maps
Literatur
> Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer 2007.
> Han, Kamber: Data Mining: Concepts and Techniques, Elsevier 2012.
> Hastie-Tibshirani-Friedman: The Elements of Statistical Learning, Springer 2009.
> James-Witten-Hastie-Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer 2015.
> Han, Kamber: Data Mining: Concepts and Techniques, Elsevier 2012.
> Hastie-Tibshirani-Friedman: The Elements of Statistical Learning, Springer 2009.
> James-Witten-Hastie-Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer 2015.
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Fr 15.10.2021 00:16