TU Wien:Multivariate Statistik VO (Filzmoser)

From VoWi
Revision as of 11:33, 3 October 2019 by Gittenburg (talk | contribs) (→‎Daten: +zuordnungen)
Jump to navigation Jump to search
Similarly named LVAs (Resources):


Daten

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

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

Ablauf

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

Benötigte/Empfehlenswerte Vorkenntnisse

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

Vortrag

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

Übungen

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

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.

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

Noch am selben Tag.

Zeitaufwand

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

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

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

noch offen