Key: BigDataSocialScience

Instructors

Frauke Kreuter frauke.kreuter@stat.uni-muenchen.de

Please contact Carolina Haensch (anna-carolina.haensch@stat.uni-muenchen.de) if you have any questions.

Learning outcome

Learn how to think about data analysis to solve social problems using and combining large quantities of heterogeneous data from a variety of different sources. Learn how to evaluate which data are appropriate to a given research question and statistical need. Learn the different data quality frameworks and learn how to apply them. Learn the basic computational skills required for data analytics (for text-mining, large-scale data integration and visualization), typically not taught in social science, economics, statistics or survey courses. Learn how to apply statistical and data quality frameworks to big data problems.

Organization

This is a block course (meetings on 6 days over Zoom), the course language is English.

The course will consist of recorded lectures, prepared materials like course notebooks with exercises and a course project as well as meetings on six days in September 2021 (probably 13.-17.9 and 20.9.).  

Can count towards:

WP 16 Advanced Methods in Social Statistics and Social Data Science 

WP 39 Computational Social Science


Enrollment Key: BigDataSocialScience


Person: Dr. Cornelia Oberhauser

SAS-Kurs als 5-tägiger Blockkurs in den Semesterferien

Termine:

Tag

   Uhrzeit
   Raum
Mo 20.09.2021
Vorlesung 9:15 - ca. 12:15
online über Zoom

Übung
13:15 - 17:00
online über Zoom
Di 21.09.2021
Vorlesung
9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Do 23.09.2021
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Mo 27.09.2021
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Di 28.09.2021
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom


Gastschlüssel

  • Der Gastschlüssel lautet: "saskurs2021"

4-day block course in the semester break

Meetings:

Day

   Time

   Room

Mo 16.08.2021  

Lecture  

9:00 - 12:00

online via Zoom

Lecture

14:00 - 17:00  

online via Zoom

Tu 17.08.2021

Lecture

9:00 - 12:00

online via Zoom

Lecture

14:00 - 17:00

online via Zoom

We 18.08.2021

Lecture

9:00 - 12:00

online via Zoom

Lecture

14:00 - 17:00

online via Zoom

Th 19.08.2021

Lecture

9:00 - 12:00

online via Zoom

Lecture

14:00 - 17:00

online via Zoom

 

Course summary: The social survey is a research tool of fundamental importance across a range of disciplines and is widely used in applied research and as evidence to inform policy making. This course considers the process of conducting a survey, with an emphasis on practical aspects of survey design and implementation, as well as estimation. The course will introduce students to the basic principles of survey design that are used in large-scale surveys. The course will also provide an introduction to key elements of conducting a survey, including procedures in sample design, alternative modes of data collection, questionnaire design, sources of error, and key statistical concepts in estimation.

This is a block course (four days), the course language is English.

Registration key / Einschreibeschlüssel: SDE2021LMU

KursZeit
Ort
Grundkurs        
Di, 01.06., 16.00 - 19.30       
online
Grundkurs  
Di, 08.06., 16.00 - 19.30online
Grundkurs  
Di, 15.06., 16.00 - 19.30online
Aufbaukurs  
Di, 22.06., 16.00 - 19.30
online
Aufbaukurs  
Di, 29.06., 16.00 - 19.30online

Description: Machine Learning (ML) is increasingly used to guide high-stakes decisions in various contexts such as college admissions, granting loans or hiring employees. By eliminating human judgment, ML-based decision-making promises to be neutral and objective and to find the right decisions in shorter time. At the same time, however, concerns are raised that algorithmic decision-making may foster discrimination and amplify existing biases that are fed into the models. This course discusses recent advances in the field of Fair ML: How can we measure algorithmic fairness? How can we mitigate biases and make ML models fair(er) and interpretable? A key aspect of the course will be linking fairness definitions and correction techniques with real world examples of automated decision-making.

Key: FairADM21

Die Entscheidungstheorie befasst sich mit rationalen Entscheidungen unter Unsicherheit. Sie besitzt große interdisziplinäre Bedeutung etwa bei der Analyse und Unterstützung von Entscheidungen in der BWL (z.B. Investmentstrategien), VWL bzw. Soziologie (Rational Choice Theorie), Medizin (z.B. Expertensysteme) oder den Ingenieurwissenschaften (z.B. autonome Steuerung). Die statistische Entscheidungstheorie bietet zudem einen formalen Rahmen für die Wahl von Analysemethoden (optimale Tests oder Schätzer, beste Klassifikationsverfahren etc.); sie spielt eine fundamentale Rolle bei der kritischen Analyse und problemadäquaten Verallgemeinerung datenbasierter Lernverfahren.

Die Veranstaltung diskutiert zunächst die allgemeine Struktur von Entscheidungsproblemen inklusive fundamentaler Entscheidungsprinzipien. Dann analysiert und charakterisiert sie das Bayes- und das Minimaxkriterium als Extrempole, mit (Zustands-)Unsicherheit umzugehen, und entwickelt moderne Alternativen im Kontext komplexer Unsicherheit (Ambiguität). Im zweiten Teil wird ein Überblick über weitere  Themengebiete gegeben, der auch an die aktuelle Forschung im Bereich der Entscheidungstheorie heranführt.


NEU: In diesem Semester haben Sie erstmals zwei Möglichkeiten, ECTS-Punkte zu erwerben. Sie können sich ausschließlich über den ersten Teil der Veranstaltung prüfen lassen  (Umfang etwa 2/3 der Vorlesungszeit) oder eine Prüfung über beide Teile ablegen.  In beiden Fällen erhalten Sie 6 ECTS-Punkte für das Modul "Entscheidungstheorie" aus den Masterprüfungsordnungen, im zweiten darüberhinaus noch 3 weitere, separat benotete, ECTS-Punkte, die Sie flexibel einbringen können.

Die Vorlesung und die Übung werden überwiegend als interaktive Live-Veranstaltung angeboten ("virtueller Hörsaal") und zu folgenden Terminen stattfinden:  Dienstag 18-20, Montag und Freitag je 10-12.

Beginn ist am 13.4..


Wenn Sie sich begründet nachmelden wollen bitte Mail an dominik.kreiss@stat.uni-munchen.de

Termine und Personen:

Termin    Ort Person
Vorlesung  
Mi, 10.00 - 12.00
   online   
Prof. Dr. Helmut Küchenhoff
Vorlesung
Do, 14.00 - 16.00
   online
Prof. Dr. Helmut Küchenhoff
Übung
Mo, 12.00 - 14.00 
   online
Martje Rave
Übung
Di, 10.00 - 12.00
   online
Martje Rave
Tutorium
Fr, 14.00 - 16.00  
   online
Felix Langer

Einschreibeschlüssel: LiMo_2021


Code für Selbsteinschreibung: SemGraf_21

Schlüssel für Selbsteinschreibung: Stat2_SoSe21

Termine


Termin
  Ort 
Vorlesung    Montag
 14 - 16  Online
  als Q&A über Zoom
Übung  
 Dienstag
 10 - 12  Online
  Live über Zoom

Einschreibeschlüssel

  • Der Einschreibeschlüssel lautet: ST2_21

Description:

Basic concepts of the analysis of longitudinal data are covered. Marginal models as well as mixed effects (also known as random effects) models for both Gaussian and discrete response variables are discussed.
In the lab, the students are encouraged to apply the lecture contents to real data in order to deepen the understanding of the discussed concepts and to become more familiar with the learned methods and techniques.

Organization and Dates:

Flipped Classroom with Q&As via zoom every

Tuesday 8.30 - 10.00; Thursday 14.15 - 15.45


Enrolment Key: Longi2021!


Target Audience:

Statistics Master students, recommended prerequisites:

  • Lecture "Lineare Modelle"
  • Lecture "Generalisierte Regression"
  • Basic knowledge in R
Additionally useful: Lecture "Schätzen und Testen I"

Examination:

15 Minutes oral exams


Einschreibeschlüssel: MathErg21!

Description

The lecture deals with theoretical and practical concepts from the fields of statistical learning and machine learning. The main focus is on predictive modeling / supervised learning. The tutorial applies these concepts and methods to real examples for illustration purposes.

Organization and Dates

Due to Corona, all lectures and exercises will be online!

Enrolment Key

FCIMPM21

Target Audience 

  • Statistics (Methods/Bio/WISO)
  • Data Science MSc.


Die Veranstaltungen EMOS A und EMOS B geben aus einer methodischen Perspektive einen Überblick über zentrale Konzepte der amtlichen Statistik. Besprochen werden in EMOS B u.a. folgende Themen:  nationale und internationale Armutsmessung,  dynamische Indikatoren der Wirtschaftsstatistik,  grundlegende Konzepte und Methoden der Bevölkerungsstatistik/Demographie, spezielle Bereichsstatistiken (Haushalts-, Todesursachen- und Unternehmensstatistiken),  Linkage und Matching von Datensätzen. 

Angeboten wird wieder eine Kombination aus Vorlesung, Übung und Inverted-Classroom-Elementen mit Diskussionsrunden. Voraussichtlich werden auch wieder mehrere Vertreter der amtlichen Statistik die Veranstaltung durch Gastvorträge bereichern.

Diese Veranstaltung ist eine Pflichtveranstaltung für alle Studierenden, die das EMOS-Zusatzzertifikat (European Master in Official Statistics) erwerben wollen; alle anderen Masterstudierenden können sich 6 ECTS-Punkte flexibel anerkennen lassen. Ein vorhergegangener Besuch von EMOS A (immer im Winteresemester angeboten) ist nicht notwendig.

NEU: Aufgrund einer gewissen Reduktion des Wahlpflichtangebots im Sommersemester 2021 steht die Veranstaltung auch fortgeschrittenen Bachelor- und Nebenfachstudierenden offen.
Je nach individueller Profilbildung ist es auch möglich, die Veranstaltung im WiSo-Master im Bereich P3 anrechnen zu lassen. (Genaueres auf Anfrage!)

Termin: Do 18-21

Einschreibeschlüssel: emosb

Die Veranstaltung "Statistische Software (R)" wendet sich an Studierende im Bachelorstudiengang Statistik (2. Semester).

Der Kurs wird vollständig online stattfinden.

Einschreibeschlüssel: statsoft2021

Kurzübersicht:

  • Vorlesung: Montag 12-14 Uhr und Dienstag 10-12 Uhr
  • Übung: Donnerstag 10-12 Uhr und Donnerstag 12-14 Uhr
  • Tutorium: Montag xx-xx Uhr und Dienstag 12-14 Uhr

Einschreibeschlüssel: "multi_ss_21"

Die Veranstaltung "Programmieren mit Statistischer Software (R)" wendet sich an Studierende im Bachelor Statistik (4. Semester). Sie baut auf den Veranstaltungen "Einführung in die Statistische Software" (1. Semester) und "Statistische Software" (2. Semester) auf.

Die Veranstaltung findet vom 12.04.2021 ausschließlich online statt und verläuft nach dem Inverted Classroom Prinzip.

Einschreibeschlüssel: progr2021

Wichtige Aspekte des Kurses:

  • Dieser Kurs ist vollständig online, es gibt keine Präsenzvorträge oder -übungen.
  • Es ist absolut unerlässlich, dass Sie R zu Hause auf Ihrem Gerät zum Laufen bringen, da wir nicht wissen, wann die CIP-Pools im Institut wieder geöffnet werden. Bitte benutzen Sie unsere Installationsanleitung, die Sie auf dieser Moodle-Seite finden.
  • Um die 6 ECTS-Punkte für diesen Kurs zu erhalten, müssen Sie die Hausarbeit am Ende des Semesters bestehen.
  • Die Buchkapitel, Links und weiteren Materialien sind alle optional. Wenn Sie jedoch jede Woche die Themen und Aufgaben abschließen und die Buchkapitel durcharbeiten, steigen Ihre Chancen den Kurs zu bestehen stark an.
  • Wir werden jede Woche eine Zoom-Sitzungen abhalten, um Ihnen bei den Aufgaben und bei Fragen zu helfen.
  • Sie sollen diesen Kurs im vierten Semester des Bachelor-Studiengangs Statistik abschließen. Die Master-Veranstaltung Fortgeschrittene Programmierung baut auf diesem Kurs auf.

Termine:

  • Vorlesung: Montag 9:15 - 11:45 Uhr
  • Übung: Mittwoch 8:15 - 9:45 Uhr
Einschreibeschlüssel: BioMeth

Einschreibeschlüssel: "stat4_nf"

Formale Techniken und Argumentationen besitzen auch in den Sozial-, Geistes- und Wirtschaftswissenschaften eine große, und immer weiter wachsende, Bedeutung, stellen aber für viele, darauf nicht so gut vorbereitete Studierende eine sehr große Hürde dar. Im Rahmen eines fachübergreifenden Propädeutikums sollen nichtmathematikaffine Studierende der LMU sanft in die Formalisierung eingeführt und mit wesentlichen Techniken (wieder) vertraut gemacht werden.

Gerade unter den Herausforderungen der Corona-Situation ist es uns ein besonderes Anliegen, nicht-mathematikaffine Studienanfän-ger*innen in einem semesterbegleitenden Vorkurs zu begleiten und zu unterstützen.

Die Veranstaltung richtet sich sowohl an Studienanfänger als auch an Studierende die im Rahmen Ihres Studiums bereits auf Schwierigkeiten im Umgang mit formalen Methoden gestoßen sind.


Zielgruppe: Studierende der Geistes-, Sozial- und Wirtschaftswissenschaften


Einschreibeschlüssel (sowohl für Teilnehmer*innen, als auch für Gastzugang): CoVorMa

VL: Marcel Neunhoeffer 
Übung: Anna-Carolina Haensch
Tutorium: Christoph Heindl


Termine Vorlesung:

Mo.12:00 bis 14:00 c.t.
Do. 12:00 bis 14:00 c.t.


Termine Übung (nur eine Übung muss besucht werden!):
Die Übung von Gruppe 1 startet am 20.4, die Übung von Gruppe 2 startet am 21.4
Di. 16:00 bis 18:00 c.t.
Mi. 14:00 bis 16:00 c.t.


Termine Tutorium:

Das Tutorium startet in der dritten Vorlesungswoche (29.04.). 
Do. 10:00 bis 12:00 c.t.


Einschreibeschlüssel: Stat2Soz!2021



Termine

  • Vorlesung: Mittwoch, 12:00 - 14:00 Uhr,
  • Übungen:  Freitag, 8:00 - 10:00 Uhr

Einschreibeschlüssel

  • Der Einschreibeschlüssel lautet "oek_s21".

  • Der Einschreibeschlüssel ist StoSta22
  • Vorlesungen sind als aufgezeichnete Videos bei LMUcast (s.u.) verfügbar, jede Woche gibt es eine Online-Fragestunde am Dienstag. Multiple Choice Quizzes zur Selbstkontrolle auf moodle.
  • Für die Übungen gibt es Musterlösungen als PDF, aufgezeichnete Erklärvideos dazu und Online-Fragestunden zur Übung in 3 Gruppen jeden Mittwoch und Donnerstag.


  • Termin & Ort
    Vorlesung:
      Di 12-14 ,  Do 12-14 @ M010 (Hauptgebäude)

    Übung/Fragestunde:
      Do  14-16, Mi 12-14, Mi 14-16

Einschreibeschlüssel: ---

Dates & Overview

Kickoff: April, 16th of April, 11:00 am
Block: Friday, 25th of June, 1:00 pm-4:00 pm

Key: Seminar_DUL

Target groups: Master Statistics, Master Data Science

Course Description

Deep learning algorithms have made outstanding results in many domains such as computer vision (CV), natural language processing (NLP), recommendation systems, and medical image analysis. However, the outcome of current methods depends on a huge amount of training labeled data, and in many real-world problems such as medical image analysis and autonomous driving, it is not possible to create such an amount of training data. Learning from unlabeled data can reduce the deployment cost/time of deep learning algorithms where it requires annotations from experts such as medical professionals and doctors. 

In this course, we will learn about the theory of deep unsupervised learning and will review some state-of-the-art methods. We will offer different topics with different applications (i.e. NLP, CV) for a variety of tasks (i.e. clustering, representation learning, density modeling, etc).  As part of the seminar, you will also apply one of the frameworks to a given real-world problem. This means every participant will be asked to prepare an oral presentation about a current technique and to write up a reproducible case study of actual data analysis in an unsupervised DL framework, in addition to peer-reviewing the (theoretical and practical) work of a colleague.

Recommended prerequisites: Deep learning; Python, PyTorch, TensorFlow, We would also hold the seminar in English and also allow students from other courses (especially DS students)

Preliminary meeting: 

April 16th, 11:00 - 12:30 

Virtual Room: 

Seminar: Blocked towards the end of the semester (1-2 units)


  • Datum: 30.08.2021 - 03.09.2021 
  • Zeit: tbd
  • Ort: tbd
  • Dozent: Dr. Ludwig Bothmann (E-Mail: ludwig.bothmann@stat.uni-muenchen.de)
  • Vorkenntnisse: Statistik I - IV, Multivariate Verfahren, Generalisierte Regressionsmodelle, I2ML, Grundlegende Programmierkenntnisse, idealerweise in R. Es werden keine Python-Kenntnisse oder Kenntnisse in Deep Learning vorausgesetzt.

Wichtig: Sie müssen das Anmeldeformular auf der Moodle-Seite ausfüllen um einen Platz für den Kurs zu bekommen, die Selbsteinschreibung mit dem Einschreibeschlüssel reicht nicht.

Zielgruppe
  • Nebenfach Statistik 
  • Bachelor Statistik
Ablauf
Die Veranstaltung findet als Online-Kurs teil. Für Nebenfach-Studierende und für Hauptfach-Studierende werden dabei unterschiedliche Wege durch Kurs eingeschlagen.

Termine
Fragestunde Freitag 10 bis 12 Uhr

Einschreibung

Einschreibeschlüssel: Invers

Entropy is defined as a measurable physical property that is most commonly associated with a state of disorder, randomness, or uncertainty. It is strongly connected with probability distributions and the principle of maximum entropy can be very useful in statistical inference, in particular in Bayes statistics. In this course we will introduce the concept of entropy in the context of information theory as well as apply the concepts on real data sets.

Syllabus

  1. Introduction and Preview
  2. Entropy, Relative Entropy, and Mutual Information
  3. Asymptotic Equipartition Property
  4. Entropy Rates of a Stochastic Process
  5. Differential Entropy
  6. Information Theory and Statistics


Target audience

  • Advanced Bachelor Statistics (e.g. "Ausgewählte Gebiete der angewandten Statistik B", 3 ECTS)
  • Master Statistics, Biostatistics, Statistics (WiSO), (e.g. "Ausgewählte Gebiete der ... Statistik B", 3 ECTS)
  • ESG Data Science (3 ECTS Elective Course)

Date and Time: April 16th to May 28th (!), Friday 2pm to 6pm

Exam: Midterm & Final Exams (Written Exams)

The course will be held online in English.

Code for course enrollment: Information 


Syllabus

  1. Introduction to Stochastic Processes
  2. Autoregressive Moving Average Processes
  3. Estimation of Vector ARMA Models
  4. Prediction
  5. Testing for Causality
  6. Innovations Accounting
  7. Structural VAR

Intended audience: Advanced students and PhD students in econometrics, statistics, VWL, BWL, mathematics or computer science.

Prerequisites: Profound knowledge in matrix-algebra and econometrics (econometrics I) or statistics (linear models). Basic knowledge in univariate time series analysis is not demanded but of advantage.

Teaching Style: Online via Zoom and Moodle

Examination: (written) Exam

Record of Achievement: 3 ECTS + 3 ECTS


Time Schedule

The lectures and tutorials take place between 01.06.2021 (first lecture) and 06.07.2021.


Inscription key: MTSA2021SoSe



Syllabus:

  1. Overview
  2. Fundamentals and Properties of Stochastic Processes
  3. Univariate ARIMA-Processes
  4. Estimation and Forecasting of ARIMA-Models
  5. Univariate GARCH-Models + Extensions
  6. Selected aspects: Long Memory und Fractional Differencing, Threshold-Models

Intended audience: Advanced bachelor and master students of statistics, mathematics, computer science (Informatik), economics and business administration.

Prerequisites: Solid mathematical foundations (analysis and linear algebra), basic knowledge in econometrics (econometrics 1) or statistics (linear models).

Teaching Style: Online via Zoom and Moodle in english

Examination: (written) Exam

Record of Achievement: 6 ECTS

 

Time Schedule

The lectures and tutorials take place between 12.04.2021 (first lecture) and 18.05.2021.


Inscription key: UTSA2021SoSe

Dates & Overview

Kickoff: Wednesday, 14th of April, 5pm
Block 1: Friday, 28th of May, 1pm-4pm
Block 2: Friday, 25th of June, 1pm-4pm

Key: will be announced at kickoff event

Target groups: Master Statistics, Master Data Science

Course Description

Classical statistical learning excels at learning associations and making accurate predictions. However, many questions like treatment effect estimation are not associative but causal in nature.
Graphical models provide a general framework for describing statistical relations between random variables and performing inference. More recently, they have become a popular framework for reasoning about causal relations.
In this seminar, we will introduce the basics of inference in graphical models, discuss how they can be employed to perform causal inference and peak into recent research on connections to classical machine learning and interpretable machine learning.

Key: casual21


Description

The course is a practical introduction into TensorFlow and PyTorch as a software with their practical application in statistics and deep learning. The course covers 

  • basic operations 
  • (probabilistic) statistical models
  • multilayer feedforward neural networks
  • convolutional neural networks
  • recurrent neural networks
  • autoencoder

in TensorFlow and PyTorch.

Target audience

Statistics and Data Science Master students 

Enrollment Key

appliedDL2021!

Zielgruppe / Aimed at
  • Master Statistik (Pflicht)
  • Master Biostatistik, WiSo (Wahl)
  • Master ESG Data Science (elective)
Ablauf / Organisation
Die Veranstaltung wird in Form des "Inverted Classroom" durchgeführt:
  1. Sie bekommen wöchentlich Videos, Übungsaufgaben und weitere Materialien zu den Inhalten, die Sie zu Hause bearbeiten.
  2. Wir treffen uns regelmäßig (in Zoom) zur Besprechung der Inhalte und zur Klärung von Fragen.
  3. Wichtige Übungsaufgaben werden gemeinsam online besprochen.

The course is held in the form of an "inverted classroom":

  1. You will receive weekly videos, exercises and other materials on the contents, which you will work on at home.
  2. We meet regularly (in Zoom) to discuss the contents and answer questions.
  3. Important exercises will be discussed together online.

Termine / Dates

  • Einführungsveranstaltung / Introductory meeting: 12. April 12–14 Uhr
  • Fragestunde / Question time jeden: Donnerstag / every Thursday 10–12
  • Übungen / Exercises: jeden Montag / every Monday 12–14

Attention: This course is partially in German and partially in English! 

Achtung: Diese Vorlesung wird teilweise auf Englisch und teilweise auf Deutsch abgehalten!

  • Vorlesungsvideos und Fragestunde auf Deutsch 
  • Question time in English on request
  • Exercises/Tutorials in English

Einschreibung / Enrollment

Einschreibeschlüssel / Enrolment code: Markov



Important Dates (all mandatory):

Preliminary meeting 06.04.21, 16-18 c.t. Zoom
Additional Presentations 26.04., 17.05., 14.06. (16 c.t.) Zoom
Presentations 08./09.07.21, 10-15 s.t. Zoom
Submission deadline 31.08.21, 23.59 CET

Enrollment key


Will be announced at the preliminary meeting.

Note

This seminar is subject to the regular application process for seminars at the Department of Statistics.

Termine

  • Vorlesung: Dienstag, 16 - 18 c.t., Prof. Dr. Christian Heumann
  • Übungen (Statistik II): 
    Mittwoch, 12 - 14 c.t. (2x) & 14 - 16 c.t. (2x)
    Donnerstag, 18 - 20 c.t.
    Freitag, 10 - 12 c.t.
  • Übung (Statistik I):
    Montag, 10 - 12 c.t.

Einschreibeschlüssel

  • Der Einschreibeschlüssel lautet "wiwistat21".