Quantitative Analyse II

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

keine

Lernziele

Die Studierenden vertiefen in diesem Modul quantitative Verfahren zur Erhebung und Auswertung von Daten. Sie setzen dabei eine aus didaktischer Sicht geeignete, praxisrelevante statistische Programmiersprache (beispielsweise R) ein, um Methoden der Analyse von Daten im Hinblick auf Erkenntnisgewinn und Modellwahl einzuüben.

Fach- & Methodenkompetenzen

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

Die Studierenden

• können die grundlegenden Konzepte hinter statistischen Verfahren und Methoden aus dem unüberwachten maschinellen Lernen wiedergeben.
• verstehen beispielsweise die Vorgehensweise der dimensionsreduzierenden Verfahren oder der Clusteranalyse und berechnen entsprechende Verfahren (wie z.B. das K-Means Clustering) eigenständig.
• sind in der Lage, praxisrelevante Datensituationen des unüberwachten Lernens zu gliedern, bestimmen geeignete Modelle für verschiedene Problemstellungen, wenden diese in statistischer Software sicher an und interpretieren die Ergebnisse im Hinblick auf die interessierende Fragestellung.

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 und Begriffe der Datenerhebung (unabhängige, abhängige Beobachtungen, Querschnittsdaten, Zeitreihen)
• Grundlagen der Datenauswertung mithilfe verschiedener quantitativer Verfahren aus der Statistik und dem maschinellen Lernen mit Schwerpunkt auf unüberwachtem Lernen (z.B. ausgewählte Verfahren aus dem Bereich der multivariaten Statistik wie Clusteranalyse, Hauptkomponentenanalyse) und weiterführende Verfahren (z.B. Verfahren für Zeitreihendaten)
• Beurteilung der Interpretierbarkeit der Ergebnisse sowie Herausforderungen bei der 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.