Der Kurs bietet zunächst eine Einführung in Grundlagen der Datenverarbeitung und Statistik und die dazu notwendigen Module in Python. Darüber hinaus werden diverse weiterführende Themen aus der Statistik und dem Maschinellen Lernen behandelt. Hierzu zählen unter anderem Generalisierte Regression, Clustering, Support Vector Machines, Neuronale Netze und schritthaltende Verarbeitung großer Datensätze.

Im Sommersemester bietet das Statische Beratungslabor der LMU (StaBLab) erneut zwei Kurse zur Einführung in die statistische Datenanalyse an. Die beiden Kurse finden während der Vorlesungszeit statt.

Die beiden Kurse werden einen großen Praxisbezug haben und auf die Erfahrungen aus der Beratung von Abschlussarbeiten am StaBLab zurückgreifen. Ziel ist es, den Teilnehmern grundlegende Kenntnisse in der Statistik zu vermitteln und sie zu ermächtigen, diese Kenntnisse auch bei ihren eigenen Arbeiten anzuwenden.

  • Angeboten werden ein Grundkurs und ein anwendungsorientierter Aufbaukurs. Der Grundkurs soll Grundlagen vermitteln und besteht aus Theorie (Kurzeinführung in die Statistik) und vielen praktischen Übungen (Vertiefung der Theorie / Umgang mit der statistischen Software R).
  • Der Aufbaukurs widmet sich schwerpunktmäßig der Regression und der fortgeschrittenen Grafikgestaltung in R, sowie der Diskussion praktischer Fragestellungen (gerne anhand von Projekten der Kursteilnehmer).
  • PC-Arbeitsplätze können gestellt werden, wünschenswert wäre jedoch eine Bearbeitung der Praxisaufgaben am eigenen Laptop. Es sind für den Grundkurs drei Blöcke und für den Aufbaukurs zwei Blöcke mit je zwei dreistündigen Einheiten geplant.

Zielgruppe:

Studierende und Promovierende an der LMU, die sich in ihrer Abschlussarbeit/Arbeit mit quantitativen Analysen beschäftigen werden und

  • die geringe bzw. keine statistischen Kenntnisse haben, oder
  • die Interesse haben, die freie Statistiksoftware R zu erlernen.


Insbesondere ist es empfehlenswert, den Grundkurs vorbereitend zu einer Beratung beim StaBLab zu besuchen.


In diesem Kurs wird nur die Anmeldung für die Haupt- und Nachklausur der Veranstaltung Wirtschafts- und Sozialstatistik im Wintersemester 2017/18 organisiert.

Alle weiteren Informationen sind auf der Veranstaltungshomepage zu finden.

Registration is closed!


Please enroll at least a week before course start to get all information. The course is organized as "flipped classroom". This means that you have to watch the course videos before the start of the course. Videos will be uploaded mid February.

Date:
5.3. - 9.3. (block course)

Description

This course will teach the fundamental techniques and concepts of supervised Machine Learning, which has become a central part of modern data analysis. In particular non-linear and non-parametric methods have been used successfully in uncovering complex patterns and relationships by computer scientists and statisticians.


The module offers an introductory and applied overview of supervised learning methods and concepts for regression and classification.This includes models such as linear regression, discriminant analysis, naive bayes, decision trees and random forests, but also more advanced techniques like model selection, feature selection, and hyperparameter optimization. The focus of the course is to give a basic understanding of the different algorithms, models and concepts while explaining the necessary mathematical foundation.


Students acquire theoretical as well as practical competences regarding some fundamental models of learning from data. The students will be enabled to conduct a data analysis project themselves, including understanding and interpreting the data, in order to critically judge advantages and disadvantages of the different methods. The accompanying exercise classes are a mix of theoretical and practical assignments. The latter will be conducted in R and will cover all methods introduced during the lecture.

Vorausgesetzte Vorlesung für den Kurs: Linear Modelle

Einschreibeschlüssel ist: IntroML

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. Es handelt sich um eine 3-stündige Kombination aus Vorlesung, Übung und Inverted-Classroom-Elementen.

Zeit: Montags 18-21 Uhr

Raum: HGB M-010

Um eine Überschneidung mit der Master-Auftakt-Veranstaltung zu vermeiden, beginnt die Veranstaltung i.e.S. erst in der zweiten Woche.

Einschreibeschlüssel für Kursteilnehmerinnen und -teilnehmer: amtliche2017

Gastschlüssel: gast-amtliche2017



Der Einschreibeschlüssel für Teilnehmer lautet: StatISoz1718

Der Einschreibeschlüssel für Gäste lautet: StatISozGast

Der Kurs ist auch für Gäste erreichbar: Das Gast-Passwort lautet MWT1718.

This is the official website for the lecture 'Statistical Geophysics' for Geophysics students.

Here you can find all information and materials relevant for the lecture.

For full access, please register by logging in to Moodle with your LMU account and using the access key 'Median'.


Vorlesung von Prof. Dr. Anne-Laure Boulesteix und Prof. Dr. Sonja Greven

Veranstaltungstermine
Vorlesung  und Übung
Montag14:00 - 16:00 Uhr c.t.Raum A 014, Geschwister-Scholl-Platz 1


Einschreibeschlüssel Gastzugang: MedBiometrie1718

Vorlesung von Prof. Dr. Sonja Greven und Prof. Dr. Christian Heumann

Veranstaltungstermine
 Vorlesung Montag 12:00 - 14:00 Uhr c.t.
 Raum A 016, Geschwister-Scholl-Platz 1
 Vorlesung  Dienstag
 12:00 - 14:00 Uhr c.t. Raum A 014, Geschwister-Scholl-Platz 1
 Übung Donnerstag 14:00 - 16:00 Uhr s.t.
 Raum A 119, Geschwister-Scholl-Platz 1
 Übung Donnerstag
 16:00 - 18:00 Uhr c.t. Raum A 119, Geschwister-Scholl-Platz 1
 Tutorium Freitag
 10:00 - 12:00 Uhr c.t. Schellingstr. 3 (R) - R 051

Einschreibeschlüssel: schautest18


This is the official website for the lecture 'Quantitative Methods and Statistics' for Geography students.

Here you can find all information and materials relevant for the lecture.

For full access, please register by logging in to Moodle with your LMU account and using the access key 'Boxplot'.

Die Vorlesung besteht aus den drei Themenblöcken
  1. Studiendesigns und Regressionsverfahren
  2. Kausalität in der Epidemiologie
  3. Räumliche Epidemiologie

Den Einschreibeschlüssel erfahren Sie in der Vorlesung oder Übung.
Gastzugang: GastStatEpi

Dies ist die offizielle Website zur Veranstaltung Deskriptive Statistik [WS 17/18].

Hier finden Sie alle Informationen und Unterlagen, die für die Veranstaltung relevant sind.

Die Zugangsdaten erfahren Sie in der Vorlesung oder Übung.



Termine:


Vorlesung - Dr. Fabian Scheipl   (Beginn: 16.10.)


TagZeitRhythmusDauerRaum
  Mo.    12:00 - 14:00 c.t.  wöchentlich
  16.10.2017 - 05.02.2018  
  Geschw.-Scholl-Pl. 1 (E) - E 004 
  Mi.   12:00 - 14:00 c.t.  
  wöchentlich  
  18.10.2017 - 07.02.2018  
  Geschw.-Scholl-Pl. 1 (E) - E 004 

Bitte beachten: 

Anstelle der Vorlesung wird in unregelmäßigen Abständen eine Vorlesung zur Einführung in die statistische Software (Lisa Steyer, Andreas Singer) stattfinden.





Übung - Benjamin Sischka   (Beginn: 26.10.)


GruppeTag ZeitRhythmusDauerRaum
1  Do.     10:00 - 12:00 c.t.    14-tägig    26.10.2017 - 08.02.2018     Geschw.-Scholl-Pl. 1 (E) - E 004  
2  Do.     12:00 - 14:00 c.t.    14-tägig    26.10.2017 - 08.02.2018     Geschw.-Scholl-Pl. 1 (E) - E 004  




Tutorium - Julia Blaut   (Beginn: 02.11.)


TagZeitRhythmusDauerRaum
  Mi.    08:00 - 10:00 c.t.    14-tägig    02.11.2017 bis 07.02.2018     Geschw.-Scholl-Pl. 1 (A) - A 120  

Einschreibeschlüssel Gast: PRAKT1718

Einschreibeschlüssel Gast: APR1718

Dieser Kurs richtet sich an Studierende im Fach Statistik mit keiner oder sehr wenig Erfahrung mit dem Textsatzsystem Latex und wird in der vorletzten Woche der vorlesungsfreien Zeit stattfinden.

Termine: 02.10/04.10/05.10/06.10.2017, jeweils 10:00 Uhr - 16:00 Uhr

Teilnahmevoraussetzung: Statistikstudium im Haupt- oder Nebenfach

Einschreibeschlüssel: latexWS17


Dies ist die offizielle Website zur Veranstaltung Statistik III für Nebenfachstudierende [WS 17/18].

Hier finden Sie alle Informationen und Unterlagen, die für die Veranstaltung relevant sind.

Die Zugangsdaten erfahren Sie in der Vorlesung oder Übung.

Vorlesungsinhalte:

  • Grundlagen der Numerik und numerische Integration
  • Erzeugen von univariaten und multivariaten Pseudo-Zufallszahlen
  • Bootstrap (kurz, da er auch in Schätzen und Testen I + II behandelt wird)
  • Permutationstests
  • Matrixzerlegungen im Regressionskontext
  • EM-Algorithmus
  • Optimierung (univariat, multivariat, model-based) mit Maximum-Likelihood-Anwendungen
  • Effizientes und Paralleles Programmieren in R


LVA-Termine

Vorlesung
(Beginn: 18.10.17):
Mittwoch10:00-12:00 c.t.HGB M 014
Vorlesung
(Beginn: 19.10.17):
Donnerstag12:00-14:00 c.t. HGB A 119 
Übung 
(alle zwei Wochen, Beginn 02.11.17):
Bitte den Vorlesungsplan beachten!
Mittwoch
10:00-12:00 c.t.HGB M 014
Tutorium - Gruppe I 
(alle zwei Wochen, Beginn 02.11.17):

Donnerstag08:30-10:00CIP Pool
Tutorium - Gruppe II 
(alle zwei Wochen, Beginn 09.11.17):

Donnerstag08:30-10:00CIP Pool


Einschreibeschlüssel: CIM1718

Vorlesung und Übung - Verena Bauer

Montag10:00 - 12:00 Uhr (Punkt 10!)
 B 139 (Theresienstr. 39)
Donnerstag10:00 - 12:00 Uhr (Punkt 10!)
 023 (Kaulbachstr. 37)
Freitag12:00 - 17:00 Uhr (Punkt 12!)
 A 021 (HGB)
Beginn08.01.2018



===

As we would like to have a headcount as soon as possible to estimate how many students are interested in this lecture, please sign in for this lecture using the Key learnDL if you plan to hear this lecture.

===


In recent years, deep learning network have steadily increased in popularity, mainly due to their state-of-the-art performance in image and speech recognition, text mining and related tasks. Deep neural networks attempt to automatically learn multi-level representations and features of data and are able to uncover complex underlying data structures.

The lecture aims at providing a basic theoretical and practical understanding of modern neural network approaches. We will start out by covering the necessary background on traditional artificial neural networks, backpropagation, online learning and regularization. Then we will cover special methods used in deep learning, like drop-out and rectified linear units. We will also talk about further advanced topics like convolutional layers, recurrent neural networks and auto-encoders.

We will also talk about practical application and open-source deep learning libraries.



Requirements:

  • English

  • Statistics Master (any) or Data Science Master

  • Some background in modelling, e.g., lecture on GLMs, preferably a lecture on machine learning / predictive modelling

  • Some background in optimization, e.g., Computational Methods I in the statistics master

  • Practical programming knowledge in R or Python


Time:


Wednesday 18-20 in A015 

Immer öfter begegnet man seit einiger Zeit Daten mit funktionalem Charakter, für die jede Beobachtung eine Kurve darstellt. Beispiele reichen von der Ökonometrie oder Meteorologie, wo gewisse Größen kontinuierlich über die Zeit erhoben werden, bis zu Absorptionsspektren von infrarotem Licht in der Chemometrie. Statt Messungen dieser Kurven an diskreten Punkten als einzelne Variablen aufzufassen, empfiehlt es sich bei der Analyse dieser Art von Daten auf deren speziellen funktionalen Charakter Rücksicht zu nehmen und diesen gewinnbringend zu nutzen.

Im Seminar werden nun eine Reihe von Verfahren vorgestellt und untersucht, die speziell auf funktionale Daten zugeschnitten sind. Dabei werden sowohl (inzwischen) etablierte Techniken behandelt als auch neuere Ansätze diskutiert.

Vorbesprechung: 20.10.2017, 12:30 Uhr s.t.

Vorlesung für alle Masterstudiengänge der Statistik

Freitag 12-14 Uhr

Einschreibeschlüssel: imaging18

Seit den 1990ern haben Markov Chain Monte Carlo (MCMC)-Methoden das Statistical Computing revolutioniert. Insbesondere haben MCMC-Methoden große Fortschritte in den Bayesianischen Statistik gebracht, wo sie vorwiegend angewandt werden. 

In diesem Seminar werden wir uns hauptsächlich die Anwendung von verschiedenen MCMC-Methoden ansehen. Die verschiedenen Ansätze werden dabei sowohl theoretisch als auch in der Implementierung dargestellt.

Am Ende des Seminars sollen die Teilnehmer dazu befähigt sein, selbst die richtige MCMC-Methoden für eine Problemstellung auszuwählen und diese umzusetzen.

Literatur:

  • Faming Liang, Chuanhai Liu, and Raymond J. Carroll: Advanced Markov Chain Monte Carlo Methods: Learning from Past Samples. John Wiley & Sons, 2010. (Online verfügbar)
  • Steve Brooks, Andrew Gelman, Galin L. Jones, and Xiao-Li Meng: Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC, 2011. (Website zum Buch)
  • Christian P. Robert, and George Casella: Introducing Monte Carlo methods with R. Springer, 2010.

Use the registration key (Einschreibeschlüssel) "bigDS" to read more about the course.
This course aims to foster the practice of software engineering and project management techniques in R within the context of data science and machine learning projects. 

Organization


Eligibility Requirements

  • Good knowledge in R, e.g. "Programming with statistical Software (R)" or better: "Advanced Programming with R"
  • Predictive Modelling, FCIM or Machine Learning

General Course Setup

The course starts with a kick-off meeting and is divided into three major parts with a weekly meeting during the semester:

  1. Part 1 (Lecture): Teaches fundamental topics in software engineering and project management in an inverted classroom style (with demos, discussions and hands-on exercises).
  2. Part 2 (Issue solving): You are expected to help to solve some issues/bugs in existing libraries.
  3. Part 3 (Project): Students team up in groups of 3-4 persons and implement a project of their choice


  • Datum: 26.09. - 29.09.2017
  • Zeit: 09:00 - 17:00 Uhr
  • Ort: Ludwigstr. 28, Raum 207 ("IuK-Pool")
  • Vorkenntnisse: Statistik I - IV für Nebenfachstudierende, R-Kurs für Statistik-Nebenfachstudierende


Die Anmeldung zu dem Kurs ist abgeschlossen.

Wahrscheinlichkeitstheorie und Inferenz I

Vorlesung und Übung für Bachelor Statistik, 3. Semester

Einschreibeschlüssel: Lebesgue

Note: Permanent room change on monday!  

Note: Password for self enrolment will be provided during the first lecture on October 16th. 

Dates / Termine
Monday / Montag16:00 c.t. - 18:00 UhrAmalienstr. 73a, Raum 112
Thursday/ Donnerstag10:00 c.t. - 12:00 UhrLehrturm-VU104, Prof.-Huber-Pl. 2 (V)
Start16.10.2015


Statistik wird in immer größerem Ausmaß zu einer computationalen Wissenschaft, besonders die angewandte Statistik kommt ohne den Einsatz und die Beherrschung moderner Software-Werkzeuge nicht aus. Diese Lehrveranstaltung dient der Vertiefung von Programmmier-kenntnissen speziell in R und richtet sich an Studierende, die bereits erste Erfahrungen mit dieser Sprache gesammelt haben (z.B. in der LVA "Einführung in die statistischen Programm-pakete, Programmierung in R", "Praktische Datenanalyse mit R" oder im Selbststudium).
Aufbauend auf den vorausgesetzten grundlegenden R-Kenntnissen werden Techniken vermittelt mit denen sich das komplexe Werkzeug R effizient bedienen läßt.
Vorkenntnisse in Statistik im Ausmaß der Grundvorlesungen sind erforderlich, Kenntnisse in andereren Programmiersprachen als R sind nicht notwendig. 

Der Kurs ist im inverted classroom Format, d.h. es werden Videovorlesungen & Material zum Selbststudium angeboten, in der Präsenzzeit an der Uni wird selbst programmiert und die dabei auftretenden Fragen und Probleme werden besprochen. Zusätzlich ist jede Woche ein Übungsblatt abzugeben.  Wenn Sie die Kursangebote konsequent nutzen sind Arbeitsaufwand und Anspruch durchaus hoch, der resultierende Erkenntnis- und Kompetenzgewinn aber ebenso -- versprochen!

Themen:

  • Guter Programmierstil: Korrekter, sauberer, lesbarer Code
  • Algorithmisches Denken: Programmentwurf & Problemlösungsstrategien
  • Versionskontrolle mit Git & kollaboratives Coden mit Github
  • Funktionen, Scoping & Environments
  • Debugging & Profiling
  • Objekt-orientiertes Programmieren in R
  • R-Pakete bauen mit roxygen2, devtools & testthat
Einschreibeschlüssel: FoRt1718

Topics:

  1. Some Basics
  2. Portfolio Selection
  3. Capital Asset Pricing Models
  4. Index Models
  5. Portfolio Selection Based on Down-Side Risk

Inhaltsübersicht:

  1. Klassisches lineares Regressionsmodell

  2. Spezifikation der Regressionsmatrix

  3. Probleme mit den Störgrößen

  4. Regression mit lagverteilten Variablen

  5. Univariate Zeitreihenanalyse