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.
- Docente: Susanne Dandl
- Docente: Christian Rink
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.
- Docente: Andreas Bender
- Docente: André Klima
- Docente: André Klima
- Docente: Helmut Küchenhoff
- Docente: Ingrid Mauerer
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.
- Docente: Thomas Augustin
- Docente: Paul Fink
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
- Docente: Bernd Bischl
- Docente: Jann Goschenhofer
- Docente: Christoph Molnar
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
- Docente: Thomas Augustin
- Docente: Michael Windmann
Der Einschreibeschlüssel für Teilnehmer lautet: StatISoz1718
Der Einschreibeschlüssel für Gäste lautet: StatISozGast
- Docente: Thomas Augustin
- Docente: Christiane Didden
- Docente: Eva-Marie Endres
- Docente: Christoph Jansen
- Docente: Julia Plaß
- Docente: Georg Schollmeyer
Der Kurs ist auch für Gäste erreichbar: Das Gast-Passwort lautet MWT1718.
- Docente: Paul Fink
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'.
- Docente: Alexander Bauer
- Docente: Andreas Mayr
Vorlesung von Prof. Dr. Anne-Laure Boulesteix und Prof. Dr. Sonja Greven
| Vorlesung und Übung | Montag | 14:00 - 16:00 Uhr c.t. | Raum A 014, Geschwister-Scholl-Platz 1 |
|---|
Einschreibeschlüssel Gastzugang: MedBiometrie1718
- Docente: Anne-Laure Boulesteix
- Docente: Sonja Greven
- Docente: Sabine Hoffmann
- Docente: Jan Stöcker
Vorlesung von Prof. Dr. Sonja Greven und Prof. Dr. Christian Heumann
| 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
- Docente: Daniela Buchwald
- Docente: Sonja Greven
- Docente: Christian Heumann
- Docente: David Rügamer
- Docente: Jan Stöcker
- Docente: Johanna Völkl
- Docente: Alexander Volkmann
- Docente: Christoph Jansen
- Docente: Georg Schollmeyer
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'.
- Docente: Alexander Bauer
- Docente: Veronika Deffner
- Studiendesigns und Regressionsverfahren
- Kausalität in der Epidemiologie
- Räumliche Epidemiologie
Den Einschreibeschlüssel erfahren Sie in der Vorlesung oder Übung.
Gastzugang: GastStatEpi
- Docente: Karin Lyon
- Docente: Ulrich Mansmann
- Docente: Philipp Probst
- Docente: Anna Rieger
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.)
| Tag | Zeit | Rhythmus | Dauer | Raum |
|---|---|---|---|---|
| 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.)
| Gruppe | Tag | Zeit | Rhythmus | Dauer | Raum |
|---|---|---|---|---|---|
| 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.)
| Tag | Zeit | Rhythmus | Dauer | Raum |
|---|---|---|---|---|
| Mi. | 08:00 - 10:00 c.t. | 14-tägig | 02.11.2017 bis 07.02.2018 | Geschw.-Scholl-Pl. 1 (A) - A 120 |
- Docente: Fabian Scheipl
- Docente: Benjamin Sischka
- Docente: Lisa Steyer
Einschreibeschlüssel Gast: PRAKT1718
- Docente: Veronika Deffner
- Docente: Sevag Kevork
- Docente: André Klima
- Docente: Helmut Küchenhoff
- Docente: David Rügamer
Einschreibeschlüssel Gast: APR1718
- Docente: Veronika Deffner
- Docente: André Klima
- Docente: David Rügamer
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
- Docente: Lisa Steyer
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.
- Docente: Clara Happ
- Docente: Julia Plaß
- Docente: Marc Schneble
- Docente: Benjamin Sischka
- Docente: Eva-Marie Endres
- Docente: Cornelius Fritz
- Docente: Sevag Kevork
- Docente: Michael Lebacher
- Docente: Andreas Mayr
- Docente: Marc Schneble
- Docente: Patrick Schwaferts
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): | Mittwoch | 10:00-12:00 c.t. | HGB M 014 |
| Vorlesung (Beginn: 19.10.17): | Donnerstag | 12:00-14:00 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): | Donnerstag | 08:30-10:00 | CIP Pool |
| Tutorium - Gruppe II (alle zwei Wochen, Beginn 09.11.17): | Donnerstag | 08:30-10:00 | CIP Pool |
Einschreibeschlüssel: CIM1718
- Docente: Jiew-Quay Au
- Docente: Bernd Bischl
- Docente: Bodo Burger
- Docente: Julia Moosbauer
- Docente: Xudong Sun
- Docente: Verena Bauer
===
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:
- Docente: Bernd Bischl
- Docente: Giuseppe Casalicchio
- Docente: Xudong Sun
- Docente: Janek Thomas
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.
- Docente: Sonja Greven
- Docente: Clara Happ
- Docente: David Rügamer
- Docente: Lisa Steyer
- Docente: Jan Stöcker
Vorlesung für alle Masterstudiengänge der Statistik
Freitag 12-14 Uhr
Einschreibeschlüssel: imaging18
- Docente: Volker Schmid
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.
- Docente: Volker Schmid
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
- Lecturers: Bernd Bischl, Giuseppe Casalicchio, Christoph Molnar
- Time: Friday, 2 - 6 pm c.t., starting in the winter semester 2017/2018
- ECTS: 12 ECTS (e.g. as an alternative to the Statistical Consulting or Data Science Practical)
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:- Part 1 (Lecture): Teaches fundamental topics in software engineering and project management in an inverted classroom style (with demos, discussions and hands-on exercises).
- Part 2 (Issue solving): You are expected to help to solve some issues/bugs in existing libraries.
- Part 3 (Project): Students team up in groups of 3-4 persons and implement a project of their choice
- Docente: Bernd Bischl
- Docente: Giuseppe Casalicchio
- Docente: Jann Goschenhofer
- Docente: Christoph Molnar
- 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.
- Docente: Ludwig Bothmann
Wahrscheinlichkeitstheorie und Inferenz I
Vorlesung und Übung für Bachelor Statistik, 3. Semester
Einschreibeschlüssel: Lebesgue
- Docente: Michael Kobl
- Docente: Malte Kurz
- Docente: Eva-Maria Maier
- Docente: Volker Schmid
- Docente: Lisa Steyer
- Docente: Christoph Striegel
Note: Permanent room change on monday!
Note: Password for self enrolment will be provided during the first lecture on October 16th.
Dates / Termine
| Monday / Montag | 16:00 c.t. - 18:00 Uhr | Amalienstr. 73a, Raum 112 |
| Thursday/ Donnerstag | 10:00 c.t. - 12:00 Uhr | Lehrturm-VU104, Prof.-Huber-Pl. 2 (V) |
| Start | 16.10.2015 | |
- Docente: Andreas Bender
- Docente: Helmut Küchenhoff
- Docente: Benjamin Sischka
Statistische Methoden für Genomik und Proteomik
- Docente: Anne-Laure Boulesteix
- Docente: Felix Günther
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
- Docente: Fabian Scheipl
Topics:
- Some Basics
- Portfolio Selection
- Capital Asset Pricing Models
- Index Models
- Portfolio Selection Based on Down-Side Risk
- Docente: Christoph Berninger
Inhaltsübersicht:
-
Klassisches lineares Regressionsmodell
-
Spezifikation der Regressionsmatrix
-
Probleme mit den Störgrößen
-
Regression mit lagverteilten Variablen
-
Univariate Zeitreihenanalyse