SS21

4-day block course in the semester break

Meetings:

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

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

Termine und Personen:

Einschreibeschlüssel: LiMo_2021

Schlüssel für Selbsteinschreibung: Stat2_SoSe21

Termine

• 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
  

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

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.

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

Termine

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

Einschreibeschlüssel

• Der Einschreibeschlüssel lautet "oek_s21".

Einschreibeschlüssel: ---

• 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.

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. 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.

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!

Important Dates (all mandatory):

Enrollment key

Note