Name des Moduls | [38790] Vertiefungsmodul Angewandte Statistik | Bezeichnung des Moduls | BW30.2a |
Studiengang | [184] - Wirtschaftswissenschaften | ECTS Punkte | 6 |
Arbeitsaufwand für Selbststudium | 120 | Häufigkeit des Angebotes (Modulturnus) | jedes 2. Semester (ab Wintersemester) |
Arbeitsaufwand in Präsenzstunden | 60 | Dauer des Moduls | 1 |
Arbeitsaufwand Summe (Workload) | 180 | ||
Modul-Verantwortliche/r | Professor Dr. Christian Pigorsch |
Voraussetzung für die Vergabe von Leistungspunkten (Prüfungsform) | Bewertete Übungsaufgaben während der Vorlesungszeit (50%), 60-minütige Klausur im Prüfungszeitraum (50%). Die Benotung des Moduls ergibt sich auf Grundlage der Gesamtpunktzahl und die Teilleistungen müssen nicht einzeln bestanden werden. Die erzielten Punkte in den bewerteten Übungsaufgaben können bei einer möglichen Wiederholung der Modulprüfung angerechnet werden. |
Empfohlene Literatur | Präsentationsfolien der Veranstaltung, weitere Literatur wird in der Vorlesung bekanntgegeben |
Unterrichtssprache | Deutsch |
Empfohlene bzw. erwartete Vorkenntnisse | Erwartet: BW24.1 Basismodul Empirische und Experimentelle Wirtschaftsforschung, BW30.1 Basismodul Statistik |
Art des Moduls (Pflicht-, Wahlpflicht- oder Wahlmodul) | 184 B.Sc. Wirtschaftswissenschaften, 984 B.A. Wirtschaft und Sprachen, 030 B.A. Interkulturelle Wirtschaftskommunikation, 679 B.Sc. Angewandte Informatik, 184 B.A. Wirtschaftswissenschaften, 276 B.Sc. Wirtschaftsmathematik: Wahlpflichtmodul |
Zusammensetzung des Moduls / Lehrformen (V, Ü, S, Praktikum, …) | Vorlesung (2 SWS), Übung (2 SWS) |
Inhalte | Im Modul werden die Grundlagen des maschinellen Lernens behandelt. Es werden verschiedene Konzepte und Algorithmen des maschinellen Lernens betrachtet und praxisnah angewendet. Darüber hinaus werden Performance-Metriken, Kreuzvalidierung, Überanpassung und Unteranpassung sowie Ensemble-Methoden thematisiert. |
Lern- und Qualifikationsziele | Die Studierenden besitzen die Fähigkeit zur selbständigen Analyse und Implementierung von Algorithmen des maschinellen Lernens in der Programmiersprache Python. Sie sind in der Lage, die jeweils angemessenen Methoden auszuwählen und auf empirische Fragestellungen anzuwenden. |