WS 18/19

Der Schlüssel für die Einschreibung lautet EMOSSeminar1819

Date: 11.3. - 15.3. (block course)

Place: VU 104 Prof.-Huber-Platz

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 competencies 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 the 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.

Prerequisites: Analysis, linear algebra, basic statistics knowledge

Enrollment key: IntroML

Die Vorlesung besteht aus den drei Themenblöcken

1. Studiendesigns und Regressionsverfahren
2. Kausalität in der Epidemiologie
3. Räumliche Epidemiologie

Die erste Veranstaltung (16.10.) entfällt. Die erste Vorlesung findet am 18.10. statt. 

Vorlesung von Prof. Dr. Christian Heumann

Einschreibeschlüssel für Gastzugang und Selbsteinschreibung: schautest19

Vorlesung von Dr. Sabine Hoffmann und Almond Stöcker.

Inhalt der Veranstaltung: In dieser Veranstaltung werden verschiedene statistische Methoden und Konzepte vorgestellt, die einen Erkenntnisgewinn aus medizinischen Daten ermöglichen. Unter anderem werden in der Biometrie häufig verwendete Assoziationsmaße wie das relative Risiko und Odds Ratio behandelt. Nicht selten kommt es vor, dass eine scheinbare Assoziation durch eine Drittvariable hervorgerufen wird, ein Phänomen was unter dem Begriff Confounding bekannt ist. Geeignete statistische Verfahren um Confounding bei der Auswertung medizinischer Studien zu vermeiden, werden anhand von medizinischen Daten illustriert. Weitere Themen sind das statistische Testen, Studientypen und Matching-Verfahren.

Datenauswertung und Visualisierung. Einschreibeschlüssel: STHK18

Einschreibeschlüssel: Fort1819

Zielgruppe:

Diese Lehrveranstaltung dient der Vertiefung von Programmmierkenntnissen 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 Programmpakete, Programmierung in R", "Praktische Datenanalyse mit R" oder im Selbststudium).
Vorkenntnisse in Statistik im Ausmaß der Grundvorlesungen sind erforderlich, Kenntnisse in andereren Programmiersprachen als R sind nicht notwendig.

Kursformat: 

Inverted Classroom, zwei geblockte Kurse à 2 SWS (Teil I Oktober - Dezember, Teil II Dezember - Februar).

Präsenzzeit: Donnerstag & Freitag, 14:00-16:00 c.t.

Ort: CIP II; Ludwigstr 28

Rechnen Sie mit zusätzlich 6-8 h pro Woche für Videos, Lektüre & Programmieraufgaben im Selbststudium.

Einschreibeschlüssel Gast: APR1819

Termine

LaTeX ist ein Textsatzsystem zur Erstellung von Dokumenten, das heute in fast allen Bereichen der Natur- und Geisteswissenschaften eingesetzt wird. LaTeX ist für die moderne Statistik unverzichtbar und wird meistens für Seminar- und Abschlussarbeiten gefordert. Zielgruppe des Kurses sind Studierende im Fach Statistik mit keiner bis sehr wenig Erfahrung in LaTeX. Ziel des Kurses ist, dass jeder Teilnehmer im Anschluss fähig ist, eigenständig mit LaTex zu arbeiten.

Termin:

29.09/01.10/02.10

Jeweils von 10:00Uhr c.t. - ca. 16:00 Uhr (Inklusive Pausen und Übung)

Ort:

Cip Pool 042 Lundwigstr 33

Einschreibeschlüssel:

latex1819

Termine und Personen:

Einschreibeschlüssel:

Die erste Vorlesung findet am Dienstag, 16. Oktober, 14 Uhr ct. im Raum A 021 (Geschwister-Scholl-Platz 1)  statt. Die erste Übung findet in der darauffolgenden Woche statt.

Der Einschreibeschlüssel lautet: "GRM1718"

Inhalte der Vorlesung:

• Grundlagen in Kodierung
• Grundlagen der Numerik 
• Numerische Integration
• Big-O Notation zur Laufzeitanalyse von Algorithmen 
• Erzeugen von univariaten und multivariaten Pseudo-Zufallszahlen
• Matrixzerlegungen
  
• Grundlagen der Optimierung
  
• Univariate Optimierung
• Multivariate Optimierung
• Restringierte Optimierung
• Ableitungsfreie Optimierung und evolutionäre Algorithmen
• Multikriterielle Optimierung
• EM Algorithmus

LVA-Termine

Vorlesungstermine:

Einschreibeschlüssel: CIM1819

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

• Lecturers: Bernd Bischl, Christoph Molnar,  Florian Pfisterer
  
• Time: Thursday, 9 - 12 pm s.t. Attention: The lecture only takes place for the first 4 weeks of the semester (18.10. - 15.11.). Later on, during the project phase, only regular meetings with the lecturers are required.
• Place: Edmund Rumpler Str. 13 - Room B 247 (Freimann)
• ECTS: 12 ECTS (e.g. as an alternative to the Statistical Consulting or Data Science Practical)

Eligibility Requirements

• Good programming skills in Data science related languages (R, Python, Julia, C++, etc.)
• Predictive Modelling, FCIM or comparable Machine Learning courses

Projects

• Industry Projects with several Munich-based industry leaders
• Research / Data Science for Social Good projects 

General Course Setup

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). This part takes place from 18.10. - 15.11. on Thursday mornings. At the end of the lecture phase, students will be able to choose a group project they want to work on during the semester. Own proposals are welcome but need to be submitted in the first two weeks of the semester. 
2. Part 2 (Project): Students team up in groups of 2-5 persons and implement a project of their choice. Project descriptions will be made available at the beginning of November. In this phase, attendance is only required for regular meetings with project partners and supervisors.
   

Part 1 - Lecture: Contents

18.10. Introduction & Course Structure

25.10. - 15.11. :

- Introduction to R, R Package Development and Documentation

- Git and Gitlab

- Unit Testing and Continuous Integration

- Project Assignments