- Trainer/in: Melika Ahmetovic
- Trainer/in: Laura Breitscheidel
Suchergebnisse: 11320

- Trainer/in: Meike Engelhardt
- Trainer/in: Sandra Guggenberger
- Trainer/in: Andreas Mayer
- Trainer/in: Ruth Sarimski
- Trainer/in: Joana Wolfsperger
- Trainer/in: Jakob Kaiser
- Trainer/in: Alexander Soutschek
- Trainer/in: Tobias Staudigl
- Trainer/in: Paul Taylor
- Trainer/in: Julia Foecker
- Trainer/in: Bernhard Schmidt-Hertha
- Trainer/in: Petra Barchfeld-Pekrun
- Trainer/in: Luca Wollenberg
- Trainer/in: Elisabeth Fuchs
- Trainer/in: Barbara Lenzgeiger
- Trainer/in: Eva Schechner
- Trainer/in: Johannes Kopf-Beck
- Trainer/in: Julia Dorfschmidt
- Trainer/in: Julia Dorfschmidt
- Trainer/in: Brigitte Lindner
| Date | Place | Person | Start | |
|---|---|---|---|---|
| Lecture | Tuesday, 9:15-11:45 | Geschw.-Scholl-Pl. 1 - A 014 | Boulesteix/Hoffmann | 18.10.22 |
| Exercise Session | Monday, 14:15-15:45 | Geschw.-Scholl-Pl. 1 - A 120 | Rehms | 25.10.22 |
Enrolment key
- The enrolment key is: "PCS2223"
- Trainer/in: Anne-Laure Boulesteix
- Trainer/in: Sabine Hoffmann
- Trainer/in: Raphael Rehms
- Trainer/in: Christina Sauer
- Trainer/in: Milena Wünsch
- Trainer/in: Ulrike Schaupp
- Trainer/in: Ulrike Schaupp
- Trainer/in: Attila Zarka
Die Veranstaltung "Programmieren
mit Statistischer Software (R)" wendet sich an Studenten im Bachelor
Statistik (3. Semester). Sie baut auf die Veranstaltung "Einführung in
die Statistische Software" (1. Semester) auf.
| Termin | Ort | Person | |
|---|---|---|---|
| Vorlesung: | Fr., 12:00 -- 14:00 c.t. |
Theresienstr. 37/39, B U136 |
Binder, Bender |
| Sprechstunde: |
t.b.a. | Vsl. Online |
t.b.a. |

- Trainer/in: Andreas Bender
- Trainer/in: Martin Binder
- Trainer/in: Lukas Burk
- Trainer/in: Noah Hurmer
- Trainer/in: Johannes Kopf-Beck
- Trainer/in: Romana Stöckl
- Trainer/in: Ann-Kathrin Busch
- Trainer/in: Philipp Brader
- Trainer/in: Jan Stegkemper
- Trainer/in: Daniela Kiening
- Trainer/in: Andreas Mayer
- Trainer/in: Christina Wolfsecker
- Trainer/in: Susanne Keppeler
- Trainer/in: Friederike Schultz
- Trainer/in: Wolfgang Wurstbauer
- Trainer/in: Claudia Thörmer
- Trainer/in: Bernhard Schmidt-Hertha
Deep Learning algorithms have made outstanding results in many domains such as computer vision (CV), natural language processing (NLP), recommendation systems, and medical image analysis. However, the outcome of current methods depends on a huge amount of training labeled data, and in many real-world problems such as medical image analysis and autonomous driving, it is not possible to create such an amount of training data. Learning from unlabeled data can reduce the deployment cost/time of deep learning algorithms which requires annotations from experts such as medical professionals and doctors.
In this seminar, we will learn about the theory of deep unsupervised learning, the Autoregressive models, Generative models, deep learning methods for density modeling, and Self-supervised learning, and will review some state-of-the-art methods and applications of unsupervised/self-supervised algorithms. We will offer different topics with different applications (i.e. NLP, CV) for a variety of tasks (i.e. clustering, representation learning, density modeling, etc). As part of the seminar, you will also apply one of the frameworks to a given real-world problem. This means every participant will be asked to prepare an oral presentation about a current technique and to write up a reproducible case study of actual data analysis in an unsupervised DL framework, in addition to peer-reviewing the (theoretical and practical) work of a colleague.
Recommended prerequisites: Deep learning; Python, PyTorch, TensorFlow, We would also hold the seminar in English and also allow students from other courses (especially DS students)
Seminar: Blocked towards the end of the semester,
Weekly Meeting: Fridays 8:30- 12:30
First meeting: Oct. 21st
Zoom link
Key: "seminar_udl"
- Trainer/in: Katharina Kugler
- Trainer/in: Johannes Arendt
- Trainer/in: Johannes Kopf-Beck
- Trainer/in: Thomas Ehring
- Trainer/in: Katja Bertsch
- Trainer/in: Annabell Daniel
- Trainer/in: Benjamin Gröschl
- Trainer/in: Fabian Siegel

- Trainer/in: Marius Bernhardt
- Trainer/in: Christin Brando
- Trainer/in: Elena Gärtner
- Trainer/in: Benjamin Gröschl
- Trainer/in: Juliane Herrmann
- Trainer/in: Jim Hirtt
- Trainer/in: Anna König
- Trainer/in: Tamara Meng
- Trainer/in: Fabian Siegel
- Trainer/in: Vera Wieser
- Trainer/in: Marius Bernhardt

- Trainer/in: Christin Brando
- Trainer/in: Benjamin Gröschl
- Trainer/in: Dilara Isik
- Trainer/in: Josephine Jahn
- Trainer/in: Leonard Reichmann
- Trainer/in: Fabian Siegel
- Trainer/in: Bernhard Schmidt-Hertha
- Trainer/in: Nicola Meier
- Trainer/in: Maximilian Stark
- Trainer/in: Eva Schechner
- Trainer/in: Michael Günter
- Trainer/in: Mara Susak
Audience:
- Master Statistik: Räumliche Statistik (P 6.0.38/39)
- Master Biostatistik: Räumliche Statistik (P 8.0.24/25)
- Master Statistik WiSo: Räumliche Statistik (P 7.0.18/19)
- Master Statistics and Data Science: Spatial Statistics (WP45)
- Master Data Science ESG: Elective (WP1 to WP5)
Date/Time:
- Monday 10–12
- Wednesday 14–16
Language:
- The lecture will be in English, unless all students agree to German
Enrollment key:
- Enrollment key is "Matern".
- Trainer/in: Christopher Küster
- Trainer/in: Volker Schmid
- Trainer/in: Karin Ludwig
- Trainer/in: Tobias Staudigl
- Trainer/in: Kirsten Ludwig
Schedule
| Time | Lecturer | Begin | |
|---|---|---|---|
Lecture |
Monday, 8:30 - 10:00 |
Prof. Dr. Heumann |
24.10.2022 |
| Exercise course (Group 1) |
Tuesday, 10:15 - 11:45 |
Sapargali | 25.10.2022 |
Tutorium |
Tuesday, 16:15 - 17:45 |
Eleftheria |
25.10.2022 |
Lecture |
Wednesday, 12:15 - 13:45 |
Prof. Dr. Heumann |
19.10.2022 |
| Exercise course (Group 2) |
Thursday, 08:15 - 09:45 |
Garces Arias | 20.10.2022 |
Enrollment Key
- The enrollment key is "stat_inf_ws2223"
- Trainer/in: Esteban Garces Arias
- Trainer/in: Christian Heumann
- Trainer/in: Eleftheria Papavasiliou
- Trainer/in: Nurzhan Sapargali
- Trainer/in: Giacomo De Nicola
- Trainer/in: Göran Kauermann
- Trainer/in: Victor Tuekam Mambou
Teacher: Walter J. Radermacher
Runtime: 1. October 2022 - 13. October 2022
Format: Self-learning through online videos in the first week and in-person workshops for practical appliance of use cases in the second week.
Examination: Oral Exam (3 ECTS credits)
Language: English
Who is this course for? MsC Statistics and Data Science (2021, WP 28+29+40+46), BsC Statistics and Data Science (2021, WP 8+11), Statistik und Data Science als Nebenfach für Bachelor 30 ECTS (2021, WP 4+5), Statistik und Data Science als Nebenfach für Bachelor 60 ECTS (2021, WP 11+12), Statistik und Data Science als Nebenfach 30 ECTS Mathematik (2021, WP 5+6), Statistik Nebenfach 60 ECTS Bachelor Soziologie (2021, WP 10+11), Grundlegende Statistik als Nebenfach für MA 30 ECTS (2011, WP 6), Vertiefte Statistik Master (2011, WP 5)
Self-Enrolment Key: StatsPublicGood#2223
- Trainer/in: Anna-Carolina Haensch
- Trainer/in: Markus Herklotz
- Trainer/in: Walter Radermacher
Einschreibeschlüssel: dskrpt
Termine:
| Termin | Ort | Person | |
|---|---|---|---|
| Vorlesung |
Do, 14.00 - 16.00 |
M118 (Hauptgebäude) |
Fabian Scheipl |
| Vorlesung |
Fr, 10.00 - 12.00 | M118 (Hauptgebäude) |
Fabian Scheipl |
| Übung 1 |
Mo, 10.00 - 12.00 |
S004 (Schellingstr. 3) |
Eugen Gorich |
| Übung 2 |
Do, 12.00 - 14.00 | B106 (Hauptgebäude) |
Michael Kobl |
| Tutorium |
Di, 16.00 - 18.00 |
S001 (Schellingstr. 3) | Michael Kobl |
Übung & Tutorium beginnen erst in der zweiten Semesterwoche.
Diese Veranstaltung vermittelt elementare Wahrscheinlichkeitsrechnung sowie Grundlagen der deskriptiven und explorativen Statistik. Dies umfasst grundlegende Axiome und Rechenregeln für Wahrscheinlichkeiten (auch: bedingte und gemeinsame Wahrscheinlichkeiten) sowie die Begriffe der stochastischen und empirischen Unabhängigkeit für Ereignisse und Zufallsvariablen bzw. Merkmale. Die Lerninhalte umfassen auch eine erste einfache Begriffsbildung für und Eigenschaften von Zufallsvariablen, ihrer Wahrscheinlichkeitsdichten und Momente und wichtige parametrischer Verteilungsmodelle. Auf empirischer Seite werden entsprechend Skalenniveaus beobachteter Merkmale und einfache Erhebungsformen definiert und Techniken der uni- und multivariaten deskriptiven Statistik eingeübt: zum einen Datenvisualisierung anhand statistischer und wahrnehmungspsychologischer Leitlinien, zum anderen empirische Verteilungen und Kerndichten. Kennzahlen für Lage, Streuung, Schiefe, Wölbung, Konzentration und Assoziation werden eingeführt und ihre Eigenschaften intensiv diskutiert. Letzteres umfasst auch eine erste Einführung in die Probleme kausaler Interpretation von beobachteten Assoziationen.
Die Vorlesung entspricht Modul P3.1, die Übung dem Modul P4.1 des BA-Studiengangs Statistik und Data Science (PO 2021)
- Trainer/in: Michael Kobl
- Trainer/in: Fabian Scheipl
Termine
- Vorlesung: Dienstag, 16 - 18 c.t.
- Übungen (Statistik I):
Mittwoch, 12 - 14 c.t. & 14 - 16 c.t.
Donnerstag, 10 - 12 c.t. (2x), 12 - 14 c.t. (2x), 18 - 20 c.t. - Übung (Statistik II):
Donnerstag, 08 - 10 c.t.
Einschreibeschlüssel
- Der Einschreibeschlüssel lautet "22wiwistat23".
- Trainer/in: Mostafa Amin
- Trainer/in: Matthias Aßenmacher
- Trainer/in: Polina Gordienko
- Trainer/in: Anne Gritto
- Trainer/in: Christopher Küster
- Trainer/in: Antonio Melieni
- Trainer/in: Lea Schulz-Vanheyden
Sie müssen und können sich NICHT über das lsf für die Veranstaltung anmelden, schreiben Sie sich bitte einfach mit dem Einschreibeschlüssel in diesen Moodle Kurs ein. Alle erhalten einen Platz und es gibt keine Belegfristen.
Einschreibeschlüssel: Stat1Soz2022
Vorlesung Anna-Carolina Haensch (anna-carolina.haensch@stat.uni-muenchen.de)
Übung Jacob Beck, Leah von der Heyde, Sarah Ball
Tutor*innen Jonathan Koop
- Trainer/in: Sarah Ball
- Trainer/in: Jacob Beck
- Trainer/in: Anna-Carolina Haensch
- Trainer/in: Felix Henninger
- Trainer/in: Jonathan Koop
- Trainer/in: Leah von der Heyde
- Trainer/in: Doris Schmid
Description
The lecture deals with theoretical and practical concepts from the fields of statistical learning and machine learning. The main focus is on predictive modeling / supervised learning. The tutorial applies these concepts and methods to real examples for illustration purposes.
Organization
- Class: Friday, 8.30-10 am
- Location: Geschw.-Scholl-Pl. 1 / A 119
Enrolment Key
SL_w2223
Target Audience
- Statistics (Methods/Bio/WISO)
- Data Science MSc.
- Trainer/in: Ludwig Bothmann
- Trainer/in: Chris Kolb
- Trainer/in: Philipp Kopper
- Trainer/in: Yawei Li
- Trainer/in: Lisa Wimmer
Schedule:
- Lecture: Monday, 16-18 c.t., Geschw.-Scholl-Pl. 1 - A 017 (starting Monday, 17 October 2022)
- Lecture/Exercise: Wednesday, 10-12 c.t., Geschw.-Scholl-Pl. 1 - A 016 (starting Wednesday, 26 October 2022)
Enrollment key:
life22Time
- Trainer/in: Andreas Bender
- Trainer/in: Simon Wiegrebe
- Trainer/in: Theresa Ameling
- Trainer/in: Thomas Breucker
- Trainer/in: Ann-Kathrin Busch
- Trainer/in: Natalie Durner
- Trainer/in: Christine Einhellinger
- Trainer/in: Stephanie Lampka
- Trainer/in: Janina Minge
- Trainer/in: Jürgen Schuhmacher
- Trainer/in: Tatjana Schwahn
- Trainer/in: Kathrin Wilfert
- Trainer/in: Franziska Wimmer
- Trainer/in: Sabrina Wittkopf
- Trainer/in: Doris Schmid
- Trainer/in: Lara Biefel
- Trainer/in: Eva Klee
- Trainer/in: Stephanie Lampka
- Trainer/in: Madeleine Wilke
- Trainer/in: Janina Minge
- Trainer/in: Sabine Rixen
- Trainer/in: Natalie Christner
- Trainer/in: Katrin Lohrmann
- Trainer/in: Maximilian Stark
- Trainer/in: Moritz Dechamps
- Trainer/in: Elisabeth Vogl
- Trainer/in: Claudia Thörmer
- Trainer/in: Johannes Bullinger
- Trainer/in: Natalie Christner
- Trainer/in: Julia Dorfschmidt
- Trainer/in: Petra Barchfeld-Pekrun
- Trainer/in: Marina Kammermeier
- Trainer/in: Vanessa Büchner
- Trainer/in: Christina Kellermann
- Trainer/in: Natalie Christner
- Trainer/in: Lena Söldner
- Trainer/in: Andrea Kramer
- Trainer/in: Karin Rott
- Trainer/in: Bernhard Schmidt-Hertha
- Trainer/in: Sebastian Wurster
- Trainer/in: Sebastian Wurster
- Trainer/in: Daniela Neidiger-Selmayr
- Trainer/in: Eva Odersky
- Trainer/in: Eva Odersky
- Trainer/in: Laura Avemarie
- Trainer/in: Florian Schultz-Pernice
Liebe Studierende,
den Einschreibeschlüssel zum Kurs erhalten Sie in der 1. Vorlesungssitzung am 27.10.22.

- Trainer/in: Philipp Brader
- Trainer/in: Christin Brando
- Trainer/in: Annabell Daniel
- Trainer/in: Thomas Eckert
- Trainer/in: Frank Fischer
- Trainer/in: Elena Gärtner
- Trainer/in: Anna König
- Trainer/in: Frank Niklas
- Trainer/in: Bernhard Schmidt-Hertha
- Trainer/in: Sebastian Felsner
- Trainer/in: Sophia Arndt
- Trainer/in: Annika Lang
- Trainer/in: Andrea Kramer
- Trainer/in: Lena Söldner
- Trainer/in: Christian Scheibenzuber
- Trainer/in: Jan Nasemann
- Trainer/in: Zhuanghua Shi
Revolutionen, d.h. die abrupte und meist gewaltsame Umwälzung der
institutionellen Ordnung einer Gesellschaft, sind ein klassisches
gemeinsames Erklärungsproblem von Geschichtswissenschaft und Soziologie.
Das Revolutionsproblem lässt sich als Paradox beschreiben. Betrachtet
man die massive Ungleichheit an Wohlstand und Macht, die von
institutionellen Ordnungen aufrechterhalten wurden, wundert man sich,
dass es in der Geschichte nicht viel häufiger zu Revolutionen kam.
Betrachtet man hingegen die eingeschleifte Reproduktion der
institutionellen Ordnung und die Schwierigkeiten kollektiven
Zuwiderhandelns, wundert man sich, dass es überhaupt je zu Revolutionen
in der Geschichte kam. Weil es einerseits wiederkehrende Randbedingungen
für Revolutionen gibt, die sich in soziologischen Theorien leicht
angeben lassen – Verelendung, Reformstau usw. –, aber andererseits der
Verlauf institutionellen Wandels in hohem Maße von kontingenten Faktoren
abhängig ist – außenpolitische Niederlagen, charismatische Anführer
usw. – braucht es einen genuin historisch-soziologischen Ansatz, der
theoretische Modelle institutionellen Wandels am historischen Einzelfall
prüft und verfeinert.
Die Übung verfolgt zwei Ziele. Zum einen
werden wir einflussreiche soziologische Erklärungsmodelle kennenlernen,
von Tocquevilles Analyse der Französischen Revolution bis zu aktuellen
spieltheoretischen Ansätzen. Zum anderen werden wir am Beispiel der
Krisen der späten römischen Republik (133–27 v. Chr.) verschiedene
Formen des (versuchten) Umsturzes der bestehenden Ordnung kennenlernen,
von Sklavenaufständen und radikalen Reformen über Bürgerkrieg und Putsch
bis hin zu Adelsverschwörung und revolutionärer Restauration. Der Kurs
führt an einem Schlüsselthema der Geschichtsforschung ein in die
historische Soziologie und die Geschichte der römischen Republik.

- Trainer/in: Moritz Hinsch
- Trainer/in: Benedikt Artmann
- Trainer/in: Sarah Bichler
- Trainer/in: Nicole Heitzmann
- Trainer/in: Sarah Hofer
- Trainer/in: Anna-Maria Ketzler
- Trainer/in: Hayden Mueller
- Trainer/in: Nicolae Nistor
- Trainer/in: Florian Schultz-Pernice
- Trainer/in: Karsten Stegmann
Selbsteinschreibungsschlüssel: grlgprkt
Die
Veranstaltung wendet sich an Studierende im Bachelor Statistik (3.
Semester). Das "Grundlegende Praxisprojekt" (BA Statistik und Data
Science - PO 2021) ist
eine Pflichtveranstaltung (Modul P 11.1).
Die Veranstaltung wird sowohl während der Vorlesungszeit als auch
in den Semesterferien angeboten. Diese Moodle-Seite ist für beide Veranstaltungen.
Für beide Blöcke findet eine Einführungsveranstaltung mit Anwesenheitspflicht am 19.10. 10-12 statt.
Aus organisatorischen Gründen ist eine frühzeitige, separate Anmeldung für die Teilnahme während der Vorlesungszeit nötig -- schreiben Sie sich bitte ein und gehen Sie dann zur Anmeldung auf der Kursseite.
- Trainer/in: Fabian Scheipl
- Trainer/in: Rickmer Schulte

- Trainer/in: Annika Lang
- Trainer/in: Daniela Michnay-Stolz
- Trainer/in: Anett Platte
- Trainer/in: Melanie Pöschl




