Name |
Advanced Data Modeling and Analysis with R / Python |
SWS |
4 |
ECTS |
5 |
Sprache(n) |
Deutsch (Standard)
Englisch
|
Lehrform |
SU mit Übung |
Angebot |
in jedem Wintersemester |
Aufwand |
40 Präsenzstunden Vorlesung, 20 Präsenzstunden Übung, 35 Stunden Vor-/Nachbereitung der Übungen, 55 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung |
Voraussetzungen |
Fundierte Kenntnisse in Wahrscheinlichkeitstheorie und Statistik auf Bachelor-Niveau und grundlegende Kenntnisse in Maschinellem Lernen auf Bachelor-Niveau |
Ziele |
Lernziele:
Die Studierenden ...
- können fortgeschrittene Aufgabenstellungen (wie z.B. durch Abhängigkeiten zwischen den Beobachtungen) aus der Datenanalyse unter Verwendung geeigneter Software (vorzugsweise R oder Python) lösen und die Ergebnisse adäquat interpretieren und kommunizieren.
- führen mindestens ein Datenanalyseprojekt praktisch durch.
Fach- und Methodenkompetenzen:
Die Studierenden ...
- planen mindestens ein Datenanalyse-Projekt und führen es mithilfe von geeigneten Analysemethoden durch,
- führen die Datenaufbereitung durch,
- analysieren Daten mittels deskriptiver und explorativer Verfahren,
- können konkrete Projekt-Anforderungen und -Fragestellungen identifizieren,
- können für eine gegebene Problemstellung ein oder mehrere passende Analyseverfahren und Software-Lösungen auswählen,
- vergleichen und bewerten inwiefern Analysemethoden für ein konkretes Projekt geeignet sind,
- prüfen die Modellvoraussetzungen für die vorliegenden Daten und validieren das Modell,
- bewerten, interpretieren und diskutieren die Ergebnisse adäquat und
- setzen die Analyse in geeigneter Software (z.B. R oder Python) um.
Überfachliche Kompetenzen:
Die Studierenden ...
- können Datenanalysen in Software umsetzten (R / Python),
- können die verwendeten Methoden, sowie die erhaltenen Ergebnisse verständlich gegenüber Dritten kommunizieren und kritisch diskutieren,
- können ethische und rechtliche Fragestellungen beim Einsatz von Analysemethoden in der Praxis erläutern (z.B. Social Scoring, Recommender Systems, Datenschutz).
|
Inhalt |
Ausgewählte und teilweise speziellere Kapitel der Datenanalyse mit Fokus auf die Durchführung solcher Analysen in R / Python. Zu solchen zählen beispielsweise
- Multivariate Regressionsanalyse
- Generalisierte Additive Modelle
- Mixed Effects Models
- Analyse von Time-to-Event Daten
- Strukturgleichungsmodellierung
- Latent Variable Analysis
- Discrete Choice Analysis
- Speziellere Themen der Multivariaten Datenanalyse wie Korrespondenzanalyse, Kanonische Korrelationen, Multidimensionale Skalierung
Inklusive Modellwahl und Modellvalidierung. |
Medien und Methoden |
Tafel / Whiteboard, Beamer, Programmiersprache (R oder Python); Software zur Versionskontrolle (z.B. git), Selbstgesteuertes Lernen in Kleingruppen, Repositories mit Versionsverwaltung (z.B. git), Peer-to-Peer Feedback |
Literatur |
Literatur in Abhängigkeit von den jeweils behandelten Themengebieten wird zu Beginn des Semesters bekannt gegeben.
Beispiel-Literatur:
- Backhaus, Erichson, Plinke, Weiber, Weiber: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 2021
- Backhaus, Erichson, Weiber: Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 2021
- Burkhardt, Titz, Sedlmeier: Datenanalyse mir R: fortgeschrittene Verfahren, 2022
- James, Witten, Hastie, Tibshirani: An Introduction to Statistical Learning with Applications in R, 2021
- James, Witten, Hastie, Tibshirani, Taylor: An Introduction to Statistical Learning with Applications in Python, 2023
- McKinney: Python for Data Analysis, 2022
- Fahrmeir, Kneib, Lang: Regression: Modelle, Methoden und Anwendungen, 2009
- Wickham, Cetinkaya-Rundel, Grolemund: R for Data Science, 2023
|
Zuordnungen Curricula |
SPO |
Fachgruppe |
Code |
ab Semester |
Prüfungsleistungen |
DA Version 2023 |
DA: Anwendungen |
IF-DA-M-A07 |
1 |
Modularbeit
|
|