SS20

Statistische Regressionsanalysen und Teststatistiken sind mittlerweile in allen Wissenschaften und Anwendungsfeldern vertreten. In diesem Bachelor Seminar wird untersucht werden, inwieweit Machine Learning Methoden, wie z.B. Ensemble Methoden, Support Vector Machines oder neuronale Netze, traditionelle statistische Methoden in verschiedenen Feldern abgelöst haben bzw. ablösen können.

Einschreibeschlüssel: StatML

Master Seminar

Over the past decade, there has been a growing public fascination with the complex “connectedness” of general networks. This connectedness is found in many incarnations: in the rapid growth of the Internet and the Web, in the ease with which global communication now takes place, and in the ability of news and information as well as epidemics and financial crises to spread around the world with surprising speed and intensity.  To adequately capture and understand such phenomena, network analysis has proven to be extremely useful. In this context, network analysis has numerous applications ranging from social to natural sciences. Statistical network analysis offers a very broad range of instruments enabling the description and analysis of complex and interdependent systems.Due to the growing need for ways to handle network data, methodological research on network analytical models has spurred in recent years.  This seminar intends to provide master students of statistics and data science with an overview of the current state of research in the field of network analysis. More precisely, the focus will be on dynamic network models and community detection. In addition to the estimation, interpretation, and comparison of network models, implementation and application are covered. 

Schlüssel zur Selbsteinschreibung: Stat2020

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 20.04.2020 ausschließlich online statt und verläuft nach dem Inverted Classroom Prinzip.

Einschreibeschlüssel: progr2020

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: xxx

Wichtiger Hinweis:
Die Veranstaltung wird bis auf Weiteres ausschließlich in digitaler Form abgehalten.
Präsenztermine werden vorerst nicht stattfinden!

Termine - Vorlesung

Termine - Übungen

Termine - Tutorium

Termine

• Der Einschreibeschlüssel lautet:
  

Die Veranstaltung gibt aus einer methodischen Perspektive einen Überblick über zentrale Aspekte der amtlichen Statistik im Kontext der Wirtschaftsstatistik und der amtlichen Dissemination statistischer Ergebnisse. Besprochen werden u.a. folgende Themen:  nationale und internationale Armutsmessung,  dynamische Indikatoren der Wirtschaftsstatistik, spezielle Bereichsstatistiken (Haushalts-, Todesursachen- und Unternehmensstatistiken),  Konzepte der Bevölkerungsstatistik, Linkage und Matching von Datensätzen. 

NEU: Aufgrund einer gewissen Reduktion des Wahlpflichtangebots im Sommersemester 2020 steht die Veranstaltung auch fortgeschrittenen Bachelor- und Nebenfachstudierenden offen.

The course Statistische Methoden in Genomik und Proteomik (Statistical methods for biological high-throughput data) will cover important statistical methods and concepts for the analysis of biological high-throughput data. We will focus on bulk genomics, single-cell genomics, proteomic, and, in particular, microbiome data. 

Statistical topics include

• Hypothesis testing for high-dimensional data
• Differential abundance and association analysis
• High-Dimensional regression models for biological data
• Graphical models for network inference
• Deep learning models for high-throughput data

Enrollment key (Einschreibeschlüssel): StatGenProt

All lectures and exercises will be taught live online in English via Zoom (see Ankündigungen for the link). 

The live lectures will be recorded and made available to course participants.

The lecture deals with theoretical and practical concepts from the fields of statistical learning and machine learning. Main focus is on predictive modeling. The tutorial applies these concepts and methods to real examples for illustration purposes.

Schedule:

All lectures take place in the Main Building, Geschwister-Scholl-Platz 1

Due to Corona, all lectures and exercises will be online!

Dates & Overview

Kickoff: first week of semester, tbd
Block 1: End of May/Beginning June
Block 2: End of June/Beginning July

Key: will be announced at kickoff event

Target groups: Master Statistics, Master Data Science

Course Description

Classical statistical learning excels at learning associations and making accurate predictions. However, many questions like treatment effect estimation are not associative but causal in nature.
Graphical models provide a general framework for describing statistical relations between random variables and performing inference. More recently, they have become a popular framework for reasoning about causal relations.
In this seminar, we will introduce the basics of inference in graphical models, discuss how they can be employed to perform causal inference and peak into recent research on connections to classical machine learning.

Note:

• There is the option to attend the lectures only, or to attend lectures + seminar. The related workload is reflected in the ECTS.
  
• The different options are described in detail on the Moodle page. 

Important information:

• The lecture material (video, pdf, code) is available online. The dates below serve as Q&A sessions for the lessons. The students are asked to watch the respective videos before that sessions.

Important Dates:

Important Dates: