Website
Modulhandbuch ab 2016

Modul MA4665-KP05

Statistisches Lernen (StaLerKP05)

Dauer:


1 Semester
Angebotsturnus:


Alle zwei Jahre
Leistungspunkte:


5
Studiengang, Fachgebiet und Fachsemester:
  • Master Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Mathematik, 1., 2. oder 3. Fachsemester
  • Bachelor Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Mathematik, 5. oder 6. Fachsemester
Lehrveranstaltungen:
  • MA4665-Ü: Statistisches Lernen (Übung, 1 SWS)
  • MA4665-V: Statistisches Lernen (Vorlesung, 2 SWS)
Workload:
  • 45 Stunden Präsenzstudium
  • 15 Stunden Prüfungsvorbereitung
  • 60 Stunden Selbststudium und Aufgabenbearbeitung
  • 30 Stunden Programmieren
Lehrinhalte:
  • k-nächste Nachbarn
  • Klassifikations- und Regressionsbäume (CART), Wahrscheinlichkeitsbäume (PET)
  • bootstrap aggregating (bagging)
  • Gebaggte nächste Nachbarn (b-NN)
  • Zufallswälder: klassische Zufallswälder (RF) und conditional inference forests (CIF)
  • Naive Bayes-Verfahren
  • Neuronale Netze (ANN)
  • Boosting
  • Support Vektormaschinen (SVM)
  • Gütemaße, Stichprobenwiederholung und Hyperparameteroptimierung
  • Variablenwichtigkeit, -selektion
  • Statistische Eigenschaften von k-NN, b-NN, RF,CIF, SVM, PET und Zufallswäldern für PET, ANN, d.h. Konsistenz, Konvergenzgeschwindigkeit, asymptotische Normalität, Verzerrung
Qualifikationsziele/Kompetenzen:
  • Die Studierenden können die zentralen Ideen von k-NN, b-NN, CART, PET, RF, CIF, naivem Bayes und SVM erklären.
  • Sie können die Unterschiede zwischen den verschiedenen Verfahren des statistischen Lernens erklären.
  • Sie kennen die statistischen Eigenschaften der Verfahren.
  • Sie können geeignete Verfahren in einer Anwendungssituation auswählen.
  • Sie können die Verfahren unter Verwendung von R schätzen.
Vergabe von Leistungspunkten und Benotung durch:
  • Mündliche Prüfung oder Klausur
Setzt voraus:
Modulverantwortlicher:
  • Prof. Dr. Silke Sczymczak
Lehrende:
  • Prof. Dr. Silke Sczymczak
Literatur:
  • Hastie, Trevor, Tibshirani, Ron, Friedman, Jerome (2009): The Elements of Statistical Learning: ata Mining, Inference, and Prediction - 2nd ed., Springer: New York
  • Malley, James D., Malley, Karen G., Pajevic, Sinisa (2010): Statistical Learning for Biomedical Data - Cambridge University Press: Cambridge
  • Wu, Xindong & Kumar, Vipin eds. (2009): The Top Ten Algorithms in Data Mining - CRC Press: Boca Raton
Sprache:
  • Englisch, außer bei nur deutschsprachigen Teilnehmern
Bemerkungen:

Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vor- leistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

Letzte Änderung:
10.8.2020