Difference between revisions of "TU Wien:Multivariate Statistik VO (Filzmoser)"

From VoWi
Jump to navigation Jump to search
Similarly named LVAs (Resources):
(→‎Daten: +zuordnungen)
(→‎Prüfung, Benotung: verschiebe Prüfungsbericht zu Unterseite: /Prüfung 2019-10-03)
 
Line 48: Line 48:
  
 
Modus: man bekommt ein Blatt und kann sich entweder zu einem Thema vorbereiten oder wird direkt gefragt. Auf dem Blatt Formeln, Skizzen, etc., notieren.
 
Modus: man bekommt ein Blatt und kann sich entweder zu einem Thema vorbereiten oder wird direkt gefragt. Auf dem Blatt Formeln, Skizzen, etc., notieren.
 
'''Prüfung 3.10.2019''':
 
* PCA: Modell (Formeln), Größen, Eigenwertzerlegung KovMatrix, SVD
 
* Faktorenanalyse: Modell, Größen, Annahmen über Fehler, etc., Dimensionsreduktion
 
* Kanonische Korrelation: Was ist das, was wird maximiert? Wie ergeben sich die Lösungen? Was bedeutet es wenn ein kanonischer Korr.-koeffizient gleich 1 ist?
 
* Diskriminanzanalyse: Grundlagen, Herleitung (Bayes)
 
* Diskriminanzanalyse: Diksriminanzfunktion von Fisher, 2-Gruppenfall
 
* Diskriminanzanalyse: Diksriminanzfunktion von Fisher, Erweiterung auf Mehrgruppenfall (wichtig waren ihm hier die Matrizen W und B, diese sind dann wieder an einem Eigenwertproblem beteiligt, S.121. Es ist gut wenn man anhand Abb. 8.4 die Idee der Projektion für Maximierung der Gruppenmittel darstellen kann)
 
(Kommentar: 3 Kandidaten, wir waren ein wenig überrascht dass so viel zu Diskriminanzanalyse gefragt wurde)
 
 
 
  
 
=== Dauer der Zeugnisausstellung ===
 
=== Dauer der Zeugnisausstellung ===
Noch am selben Tag.
+
* Prüfung am 3.10.2019. Noch am selben Tag.
  
 
== Zeitaufwand ==
 
== Zeitaufwand ==

Latest revision as of 11:35, 3 October 2019


Daten[edit]

Lecturers Peter Filzmoser
ECTS 4,5
Department Stochastik und Wirtschaftsmathematik
When winter semester
Language Deutsch
Links tiss:107388, Homepage, Mattermost-Channel
Zuordnungen
Bachelor Statistik und Wirtschaftsmathematik Wahlmodul Gebundene Wahlfächer Statistik und Wirtschaftsmathematik
Bachelor Medizinische Informatik Wahlmodul Multivariate und computerintensive statistische Methoden
Bachelor Software & Information Engineering Wahlmodul Multivariate und computerintensive statistische Methoden
Master Data Science Wahlmodul MLS/EX - Machine Learning and Statistics - Extension
Master Business Informatics Wahlmodul DA/COR - Data Analytics Core

Mattermost: Channel "multivariate-statistik"RegisterMattermost-Infos

Inhalt[edit]

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

Ablauf[edit]

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

Benötigte/Empfehlenswerte Vorkenntnisse[edit]

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

Vortrag[edit]

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

Übungen[edit]

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[edit]

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.

Dauer der Zeugnisausstellung[edit]

  • Prüfung am 3.10.2019. Noch am selben Tag.

Zeitaufwand[edit]

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[edit]

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[edit]

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.

Verbesserungsvorschläge / Kritik[edit]

noch offen