10140408

SoSe 21: Multivariate Verfahren (V)

Natalia Rojas Perilla

Kommentar

Inhalte & Qualifikationsziele

Die Studierenden erlangen vertiefte Kenntnisse an der Schnittstelle zwischen Multivariater Statistik, Statistical Learning und Data Mining. Sie werden in der Lage sein, Verfahren aus dem Bereich supervised und unsupervised learning in entsprechender Software eigenständig durchzuführen und die Ergebnisse zu visualisieren/ interpretieren. Dieses Wissen kann auf unterschiedliche Fragestellungen der Volkswirtschaftslehre, Wirtschaftsinformatik und Statistik angewendet werden.

Moderne statistische Methoden aus dem Bereich Multivariater Statistik, Statistical Learning und Data Mining.

Kurze Gliederung

Einführung

Beispiel zur Motivation mit Mobilfunkdaten
Diskussion und Definition von Daten/ Big data
Einzelne Schritte in der Analyse
Diskussion von Grundbegriffen

Spezielle Datensätze

Einführung grundlegender Datensätze, die im Kurs analysiert werden: Wettkampfergebnisse "Zehnkampf", Wohnungspreise in Boston, Flugverkehr, ...

Visualisierung von Daten

Ziele der Visualisierung
R Pakete zur Erstellung von Grafiken
Einfache bis hin zu komplexen Visualisierungen: Bar-, Box- und Scatterplots; Tree- und Heatmaps; Mosaic plots; kombinierte Visualisierungen, ...

Dimensionsreduktion mit Hilfe der Hauptkomponentenanalyse

Was muss/ soll die Dimension in Datensätzen reduziert werden?
(Mathematische) Herleitung der Hauptkomponentenanalyse
Hauptkomponentenanalyse in R mit Interpretation
Diskussion von anwendungsorientierten Aspekten am Beispiel des Datensatzes "Zehnkampf"

Evaluierung von Methoden

Einführung einfacher Prädiktions- und Klassifikationsmethoden
Overfitting und Einteilung des Datensatzes (Training-, Validierungs- und Testdaten)
Qualitätsmaße für die Evaluierung
Kreuzvalidierung und Bootstrap

Prädiktions- und Klassifikationsmethoden

Methoden basierend auf Entscheidungsbäumen
Bagging
Random Forest
Anwendungsbeispiele in R

Clusteranalyse

Hierarchische Verfahren
Partitionierende Verfahren
Anwendungsbeispiele in R

Termine

Asynchrone Formate (zeitversetzte Aufzeichnung der Vorlesung),
verfügbar ab dienstags 8.00 Uhr

Anrechenbarkeit: Master Economics, Schwerpunktbereich Quantitative Analyse (6 LP)

Zugangsvoraussetzungen & Vorkenntnisse: Keine

Prüfungsleistung: Seminararbeit

Kurssprache: Englisch

Kontakt: Prof. Dr. Natalia Rojas

Schließen