Business Analytics and Machine Learning

Worum geht's

Du lernst Methoden der statistischen Analyse und des maschinellen Lernens für Klassifikation, numerische Vorhersage und Clustering. Nach dem Modul kannst du Annahmen und Funktionsweisen verbreiteter Verfahren erklären und Datensätze mit R analysieren sowie Ergebnisse interpretieren.

Was du danach kannst

Verbreitete Verfahren für Klassifikation, numerische Vorhersage und Clustering kennen
Annahmen verschiedener Verfahren benennen
Funktionsweise ausgewählter Methoden verstehen
Anwendungen in wirtschaftswissenschaftlichen Fragestellungen einordnen
Datensätze mit R analysieren und Ergebnisse interpretieren

Aus was das Modul besteht

VorlesungDozent vermittelt die Inhalte und passende Literatur; Einführung in Methoden und ihre Anwendungen
ÜbungBetreute Einzel- und Gruppenarbeit an Übungsaufgaben und Datensätzen; praktische Anwendung und Programmierübungen in R oder Python

Lehrmethode

VorlesungVermittlung der theoretischen Grundlagen und Methodenkenntnis
Übung / betreute ArbeitAnwendung der Verfahren auf Übungsaufgaben und realen Datensätzen; Entwicklung eigener datenbasierter Lösungen
GruppenarbeitBearbeitung von Problemstellungen an Datensätzen zur Förderung kollaborativer Lösungsfindung
Programmierpraxis (R/Python)Übung technischer Fähigkeiten zur Umsetzung und Analyse

Solltest du schon können

MA0901 Lineare Algebra für Informatikempfohlen
MA0902 Analysis für Informatikempfohlen
IN0018 Diskrete Wahrscheinlichkeitstheorieempfohlen
MA9712 Statistikempfohlen

Prüfung

Klausur

90-minütige Klausur. Durch Lösen von Problemstellungen wird nachgewiesen, dass du Funktionsweisen und Annahmen verschiedener Methoden verstanden hast, Ergebnisse interpretieren und Modellgüte prüfen kannst sowie analytische Lösungswege selbstständig konstruierst. (Keine Angaben zu Hilfsmitteln oder Gewichtung im Rohdatenbestand.)

Literatur

Trevor Hastie, Jerome Friedman, Robert Tibshirani - Elements of Statistical Learning
Ian Witten, Eibe Frank, Mark Hall, Christopher Pal - Data Mining: Practical Machine Learning Tools and Techniques
James H. Stock, Mark W. Watson - Introduction to Econometrics
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani - An Introduction to Statistical Learning

Termine

VorlesungBusiness Analytics and Machine Learning (IN2028)

Mo.14:00–16:00
003, Hörsaal 2, "Interims II" (5416.01.003)
14× · 19.10.–01.02.
- 19.10.
- 26.10.
- 02.11.
- 09.11.
- 16.11.
- 23.11.
- 30.11.
- 07.12.
- 14.12.
- 21.12.
- 11.01.
- 18.01.
- 25.01.
- 01.02.

ÜbungÜbungen zu Business Analytics and Machine Learning (IN2028)5 Gruppen zur Wahl

ADi.10:00–12:00
Online: Videokonferenz
14× · 13.10.–02.02.
- 13.10.
- 20.10.
- 27.10.
- 03.11.
- 17.11.
- 24.11.
- 01.12.
- 08.12.
- 15.12.
- 22.12.
- 12.01.
- 19.01.
- 26.01.
- 02.02.
BDi.14:00–16:00
Online: Videokonferenz
15× · 13.10.–02.02.
- 13.10.
- 20.10.
- 27.10.
- 03.11.
- 10.11.
- 17.11.
- 24.11.
- 01.12.
- 08.12.
- 15.12.
- 22.12.
- 12.01.
- 19.01.
- 26.01.
- 02.02.
CDo.10:00–12:00
01.10.011, Seminarraum (Inf. 18/19 (5610.01.011)
14× · 15.10.–04.02.
- 15.10.
- 22.10.
- 29.10.
- 05.11.
- 12.11.
- 19.11.
- 26.11.
- 10.12.
- 17.12.
- 07.01.
- 14.01.
- 21.01.
- 28.01.
- 04.02.
DMi.10:00–12:00
01.10.011, Seminarraum (Inf. 18/19 (5610.01.011)
14× · 14.10.–03.02.
- 14.10.
- 21.10.
- 04.11.
- 11.11.
- 18.11.
- 25.11.
- 02.12.
- 09.12.
- 16.12.
- 23.12.
- 13.01.
- 20.01.
- 27.01.
- 03.02.
EMi.12:00–14:00
01.10.011, Seminarraum (Inf. 18/19 (5610.01.011)
15× · 14.10.–03.02.
- 14.10.
- 21.10.
- 28.10.
- 04.11.
- 11.11.
- 18.11.
- 25.11.
- 02.12.
- 09.12.
- 16.12.
- 23.12.
- 13.01.
- 20.01.
- 27.01.
- 03.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter