Die Studierenden sind nach dem Kurs in der Lage:

- Daten in verschiedenen Formaten zu verarbeiten und mit Gretl zu analysieren

- Statistische Methoden und maschinelle Lernverfahren anzuwenden

- Daten professionell zu visualisieren und zu interpretieren

- Regressionen und Klassifikationsmodelle zu entwickeln und zu evaluieren

- Dashboards zur Datenvisualisierung zu erstellen

- Ergebnisse im Rahmen des Story-Tellings zu präsentieren

- Einführung in Data Science und Data Literacy

- Datenaufbereitung und -visualisierung

- CRISP-DM-Standard

- Unüberwachtes Lernen (PCA, k-means)

- Fortgeschrittene Regressionsmethoden für Big-Data-Anwendungen

- Baumbasierte Verfahren wie Decision Trees und Random Forests

- Klassifikationsverfahren (Logit, Trees)

- Support Vector Machines für Regression und Klassifikation

- Dashboard-Entwicklung und Story-Telling

Cramer, E., Kamps, U., 2020. Grundlagen der Wahrscheinlichkeitsrechnung und Statistik: Eine Einführung für Studierende der Informatik, der Ingenieur- und Wirtschaftswissenschaften, 5th ed. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-60552-3

Hastie, T., Tibshirani, R., Friedman, J., 2009. The elements of statistical learning. Data mining, inference, and prediction, 2nd ed. Springer.

James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J., 2023. An Introduction to Statistical Learning: with Applications in Python, 1st ed. 2023 edition. ed. Springer, Cham, Switzerland, URL: https://hastie.su.domains/ISLP/ISLP_website.pdf.download.html

Yu, B., Barter, R.L., 2024. Veridical Data Science: The Practice of Responsible Data Analysis and Decision Making. The MIT Press, Cambridge, Massachusetts; URL: https://vdsbook.com/

Seminaristischer Unterricht mit praktischen Übungen am Computer; projektbasiertes Arbeiten

Deutsch oder Englisch

Projektarbeiten und Projektpräsentationen

6

- Intensives Arbeiten am Computer mit Gretl und zugehörigen Bibliotheken

- Grundlegende Kenntnisse in Gretl, Statistik und Ökonometrie werden vorausgesetzt