Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage zu (1.) der Bildung von Vorhersagemodellen mittels moderner Regressionverfahren bzw. Verfahren des statistischen Lernens, (2.) der Wahl und Validierung statistischer Lernverfahren, (3.) der Beurteilung der Güte von Modellfit und Fehlern, (4.) der Anwendung des Statistikprogramms R zur modernen Regressions- und Datenanalyse.
Einfache lineare Regression, Multiple Regression, Residualanalyse, Verallgemeinerte lineare Modelle, Nichtparametrische Regression, Penalized Regression, Model Selektion und Dimension Reduktion.
In der Veranstaltungen werden die Inhalte auf Folien präsentiert und zusätzliche Herleitungen an der Tafel durchgeführt. Sämtliches Kursmaterial, sowie weitere Informationen zum Kurs, wie etwa Übungsaufgaben und Informationen zur Prüfung werden in TUWEL bereit gestellt. Literatur: 1. Linear Regression Analysis von Seber and Lee https://onlinelibrary.wiley.com/doi/book/10.1002/9780471722199 2. Applied Linear Statistical Models , 5th Edition von Kutner et al.; 3. Practical Regression and ANOVA Using R, siehe ftp://cran.r-project.org/pub/R/doc/contrib/Faraway-PRA.pdf ; 4. Introduction to Statistical Learning with applications in R von James, Witten, Tibshirani & Hastie; 5. Elements of Statistical Learning von Hastie, Tibshirani & Friedman.
Voraussetzung für den Kurs ist:
Die Abschlussprüfung ist schriftlich und umfasst sämtliche im Kurs behandelten Themen.
Basic probability and statistics; Linear algebra; Econometrics 1: Linear Models.