TU Wien:Multivariate Statistik VO (Filzmoser)

Aus VoWi
Zur Navigation springen Zur Suche springen
Ähnlich benannte LVAs (Materialien):


Daten[Bearbeiten | Quelltext bearbeiten]

Vortragende Peter Filzmoser
ECTS 4,5
Alias Multivariate Statistics (en)
Letzte Abhaltung 2023W
Sprache „bei bedarf in englisch“ ist kein zulässiger Sprachcode.
Mattermost multivariate-statistikRegisterMattermost-Infos
Links tiss:107388
Zuordnungen
Bachelorstudium Informatik Modul Multivariate Statistik (Breite Wahl)
Bachelorstudium Medizinische Informatik Modul Multivariate und computerintensive statistische Methoden (Gebundenes Wahlfach)
Bachelorstudium Software & Information Engineering Modul Multivariate und computerintensive statistische Methoden (Gebundenes Wahlfach)
Masterstudium Data Science Modul MLS/EX - Machine Learning and Statistics - Extension
Masterstudium Business Informatics Modul DA/COR - Data Analytics Core (Gebundenes Wahlfach)


Inhalt[Bearbeiten | Quelltext bearbeiten]

Clusteranalyse, Multivariate lineare Regression, Robuste Statistik, Hauptkomponentenanalyse, Faktorenanalyse, Korrelationsanalyse, Diskriminanzanalyse, Projection Pursuit.

Ablauf[Bearbeiten | Quelltext bearbeiten]

[WS 18/19] Wöchentlich 2 Termine, Vortrag, Übungen.

Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]

Programmierkenntnisse in R. Lineare Algebra, Matrizenrechnung; Eigenwertzerlegung, Singular Value Decomposition werden behandelt, schadet aber nicht davon eine Ahnung zu haben.

Vortrag[Bearbeiten | Quelltext bearbeiten]

Vortrag zum projezierten Skriptum. Zusätzliche Erklärungen an der Tafel, teilweise Herleitungen und Beweise. Erklärungen zur Umsetzung in R.

Übungen[Bearbeiten | Quelltext bearbeiten]

Siehe VOWI Eintrag zur Übung (getrennte LV-Nummern). Die Übung wird zu einer festgelegten Zeit innerhalb der VO-Termine abgehalten, wurde aber manchmal nicht streng eingehalten (für die Leute die nur zum Übungsteil kommen wollen...).

Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]

Mündliche Prüfung, typischerweise 2 Fragen pro KandidatIn. Benotung scheint recht milde, wenn man gut vorbereitet ist. (Prfg ähnlich wie z.B: Datenanalyse)

Modus: man bekommt ein Blatt und kann sich entweder zu einem Thema vorbereiten oder wird direkt gefragt. Auf dem Blatt Formeln, Skizzen, etc., notieren.

Zoom-Version: 15-Minuten Einzelslots. Man muss 15 Minuten vor dem Slot im Warteraum des Prüfungsmeetings erscheinen. Dann wird man in das Meeting hineingelassen, und muss die Notizen (Zoom-Whiteboard oder Papier) nach der Prüfung als E-Mail an Prof. Filzmoser schicken.

Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]

  • Prüfung am 3.10.2019. Noch am selben Tag.
  • Prüfung am 18.02.2021. Noch am selben Tag.

Zeitaufwand[Bearbeiten | Quelltext bearbeiten]

Je nach dem wie viel man aus den Übungen mitgenommen hat und auch abschätzen kann was ihm wichtig ist. Jedenfalls nicht unterschätzen, viel Stoff!

Unterlagen[Bearbeiten | Quelltext bearbeiten]

Skriptum wird zur Verfügung gestellt. Inhalt der LV basiert zum Teil auf Büchern:

  • Johnson, Wichern (2008) Applied Multivariate Statistical Analysis, 6th Edition

https://www.pearson.com/us/higher-education/product/Johnson-Applied-Multivariate-Statistical-Analysis-6th-Edition/9780131877153.html

  • James et al (2013) An Introduction to Statistical Learning, with Applications in R

PDF online verfügbar: https://www-bcf.usc.edu/~gareth/ISL/

Tipps[Bearbeiten | Quelltext bearbeiten]

Besuch der Vorlesung zahlt sich meiner Meinung nach sehr aus. Nicht nur wird die Theorie gut erklärt, auch wird R Code gezeigt und besprochen, hilft beim Lösen der Übungsblätter. Die Übungen, soweit ich weiß ohnehin Pflicht, sind auch sehr lehrreich.

Highlights / Lob[Bearbeiten | Quelltext bearbeiten]

noch offen

Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]

noch offen