WS 19/20

https://compstat-lmu.github.io/lecture_i2ml

• Tue 24.03.
• Wed 25.03.
• Fri 27.03.
• Mon 30.03.
• Tue 31.03.

The course is limited to 70 participants. If you decide to not take the course, please leave the course on moodle.

Enrollment key: i2ml2020

Ähnlich der Ökonometrie als Teilbereich der Statistik, der sich auf ökonomische Daten und Fragestellungen spezialisiert hat, ist die Finanzökonometrie der Teilbereich der Ökonometrie, der sich auf Finanzdaten und –anwendungen konzentriert. Eine Besonderheit von Finanzdaten stellen die sog. „stylisierte Fakten“ dar, die es in vergleichbarer Art und Weise so in keinem Gebiet der empirischen Ökonomie gibt. Diese Eigenschaften sind in zweierlei Hinsicht bedeutsam: Einerseits haben sie in der Vergangenheit zur Falsifikation bzw. Modifikation populärer, theoretischer Modelle geführt. Andererseits waren sie der Impetus für die Entwicklung von in der Praxis äußerst erfolgreichen Modellen. So weisen beispielsweise Aktienrenditen eine von der Normalverteilung abweichende Verteilung sowie eine zeitlich variierende Volatilität auf. Eine weitere Eigenschaft ist die allgemeine Unvorhersagbarkeit von Aktienkursen.

Einschreibeschlüssel: FinOekSem2019

Termine:

Termine:

Einschreibeschlüssel: 

stat1soz19

This class is geared towards first year students in the master's program Data Science and part of the Individual Module (Fundamentals of Data Science). We will introduce the basic concepts of multivariate statistical methods for data scientists.

Time and location: Every Tuesday 12:15 to 13:45 in the seminar room at the Department of Statistics, Ludwigstr. 33, 1. floor.

Termine:

• Der Einschreibeschlüssel lautet: "ST1920"

Password for self enrolment: hazard_rate

Dates / Termine

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: CIM1920

Einschreibeschlüssel Gast: PRAKT1920

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 has 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.

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 the context of data science and machine learning projects.  

Organization

• Lecturers: Bernd Bischl, Christoph Molnar,  Florian Pfisterer
• Time: During workshops: Thursday, 9-12 s.t
• Place: M109 Main Building
• 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 

Einschreibeschlüssel: fort1920

Kurswebsite: https://fort-w1920.github.io/

Kursformat: Inverted Classroom

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

Ort: A015 / A017

Zusätzlich 6-8 h pro Woche für Videos, Lektüre & Programmieraufgaben im Selbststudium.

Wenn Sie vorhaben am Kurs teilzunehmen bereiten Sie sich bitte unbedingt auf den ersten Präsenztermin vor, indem Sie vor 17.10.2019, 14:00h:

• einen Github Account anlegen
• Ihre Github Info hier eintragen – sonst kommen Sie nicht an die Übungsaufgaben.
• Ihren privaten Rechner fit machen: Genaue Instruktionen dafür, und, falls er tragbar ist, diesen dann am besten auch mit vollgeladenem Akku immer mitbringen.

Termine:

• Der Einschreibeschlüssel lautet: "Wiwistat1920"