Quantitative Analyse I

Präsenzstudium: ca. 42 Std., Eigenstudium: ca. 108 Std.

keine

Lernziele

Die Studierenden erlernen in diesem Modul die Grundzüge der quantitativen Verfahren zur Erhebung und Auswertung von Daten. Sie setzen dabei eine aus didaktischer Sicht geeignete, praxisrelevante statistische Programmiersprache (beispielsweise R) ein, um Methoden der Datenanalyse im Hinblick auf Erkenntnisgewinn und Modellwahl anzuwenden.

Fach- & Methodenkompetenzen

Die Veranstaltung behandelt die unter Inhalt aufgelisteten fachlichen Themen und adressiert dabei die folgenden Kompetenzen.

Die Studierenden

• können die Grundbegriffe und grundlegenden Konzepte hinter statistischen Verfahren und Methoden aus dem maschinellen Lernen erläutern.
• sind in der Lage, praxisrelevante Datensituationen des überwachten Lernens zu gliedern, bestimmen geeignete Modelle für verschiedene Problemstellungen, wenden diese in statistischer Software sicher an und stellen die Verfahren gegenüber.
• können Stärken und Schwächen behandelter Verfahren differenziert beurteilen und die Modellwahl entscheiden.

Überfachliche Kompetenzen

• Praxis: Die Studierenden erwerben praktische Fähigkeiten durch die Anwendung und Umsetzung der besprochenen Modelle und Verfahren anhand konkreter Datenbeispiele.

• Kommunikation: Die Studierenden bearbeiten Aufgabenstellungen selbstständig oder in Kleingruppen, präsentieren die Vorgehensweise anschaulich und formulieren die Ergebnisse klar und verständlich im Hinblick auf die Problemstellung.

• Grundlagen der Datenerhebung (Forschungsdesign, Erhebungsarten- und - instrumente)
• Grundbegriffe der Statistik und des maschinellen Lernens (z.B. aus den Bereichen Schätzen und Testen, überwachtem wie unüberwachtem Lernen, Klassifikation und Regression)
• Grundlagen der Datenauswertung mithilfe verschiedener Verfahren aus der statistischen Modellierung und dem maschinellen Lernen mit Schwerpunkt auf überwachtem Lernen (z.B. ausgewählte Verfahren aus dem Bereich der generalisierten linearen Modelle, Klassifikations- und Regressionsbäume, Ensemble-Verfahren)
• Beurteilung der Interpretierbarkeit der Ergebnisse, der Modellprognosen sowie der Modellgüte und anschließende Modellwahl
• Umsetzung und selbstständige Durchführung quantitativer Auswertungen in statistischer Software (beispielsweise R)

Tafel, Folien oder Beamer, Software-Tools für Statistik und maschinelles Lernen (beispielsweise R)

James, G., Witten, D., Hastie, T., und Tibshirani, R. (2021). An introduction to statistical learning: With applications in R, Springer Verlag.

Scheid, S. und Vogl, S. (2021). Data Science. Grundlagen, Methoden und Modelle der Statistik. Carl Hanser Verlag.