High-dimensional Statistics

Worum geht's

Du lernst Methoden zur Analyse von Daten, bei denen die Anzahl der Variablen groß ist. Nach dem Modul kannst du Verfahren zur Kontrolle von Fehlern bei vielen Tests anwenden, sparsame Regressionsverfahren (z. B. Lasso) und Methoden für gruppenspezifische bzw. niedrigdimensional strukturierte Signale einsetzen sowie Regularisierungsansätze für Matrix‑Parameter und Graphenmodelle nutzen.

Was du danach kannst

• Kontrolle von Fehlentdeckungen bei groß angelegten Multiplen Tests
• Anwendung sparsamer Regressionsmethoden (z. B. Lasso)
• Entwurf von Verfahren, die low‑dim Struktur ausnutzen (z. B. Gruppensparsität)
• Erweiterung von Verfahren auf generalisierte lineare Modelle
• Schätzung matrix‑wertiger Parameter mit Regularisierung
• Umgang mit hochdimensionalen Graphenmodellen

Aus was das Modul besteht

• Vorlesungführt Konzepte und Methoden ein, entwickelt theoretische Eigenschaften
• Übungvertieft Verständnis durch Übungsaufgaben und Beispiele

Lehrmethode

• VorlesungEinführung und exemplarische Darstellung neuer Konzepte und Theorien
• Übungsgruppe mit ÜbungsblätternVertiefung der Methoden, Bearbeitung detaillierter Beispiele und theoretischer Eigenschaften