Zur Merkliste hinzufügen
Zurück

 

13369-01 - Vorlesung: Predictive Analytics 4 KP

Semester Frühjahrsemester 2020
Angebotsmuster Jedes 2. Frühjahrsem
Dozierende Michael Merz (michael.merz@unibas.ch, BeurteilerIn)
Inhalt 1. Einleitung
2. Grundlagen der statistischen Lerntheorie
3. Lineare Modelle für Regressionsprobleme
4. Lineare Modelle für Klassifikationsprobleme
5. Neuronale Netze
6. Klassifikations- und Regressionbäume
7. Hauptkomponentenanalyse und Hauptkomponentenregression
8. Clusteranalyse
Lernziele Die Studierenden sollen ihre statistischen Kenntnisse in Richtung Statistische Lerntheorie erweitern und mit Hilfe der Statistiksoftware R auf finanz- und versicherungswirtschaftliche Fragestellungen anwenden. Den Studierenden werden hierzu grundlegende und vertiefende Kenntnisse über die wichtigsten Modelle und Methoden der statistischen Lerntheorie zur Vorhersage von Trends, Mustern, Klassenzugehörigkeiten und zukünftigen Ereignissen vermittelt. Sie werden damit befähigt, die vorgestellten Verfahren eigenständig auf finanz- und versicherungswirtschaftliche Fragestellungen anzuwenden und qualifizierte Prognosen zu erstellen.
Literatur ABU-MOSTAFA, Y. S., ET AL. (2012): Learning From Data: A Short Course, AMLBook.
BHIMASANKARAM, P., SESHADRI, S. (2019): Essentials of Business Analytics, Springer.
BISHOP, C. (2007): Pattern Recognition and Machine Learning, Springer.
DE MELLO, R. F., PONTI, M. A. (2018): Machine Learning: A Practical Approach on the Statistical Learning Theory, Springer.
DINOV, I. D. (2018): Data Science and Predictive Analytics, Springer.
FORSYTH, D. (2019): Applied Machine Learning, Springer.
FROCHTE, J. (2019): Maschinelles Lernen, Hanser.
HASTIE, T., ET AL. (2009): The Elements of Stastistical Learning: Data Mining, Inference, and Prediction, Springer.
JAMES, G., ET AL. (2013): An Introduction to Statistical Learning: With Applications in R, Springer.
KUHN, M., JOHNSON, K. (2018): Applied Predictive Modeling, Springer.
MURPHY, K. P. (2012): Machine Learning: A Probabilistic Perspective, MIT Press.
RICHTER, S. (2019): Statistisches und maschinelles Lernen, Springer.
SIEGEL, E. (2016): Predictive Analytics, Wiley.

Bemerkungen In die Vorlesungen sind Übungen in Form von Beispielen integriert. Die Vorlesungsunterlagen finden Sie auf ADAM. Hörer/innen müssen die Berechtigung für den Zugriff auf die Distributionsplattform ADAM bei der Studiengangsleitung Actuarial Science (j.bucher@unibas.ch) beantragen.

 

Teilnahmebedingungen Grundkenntnisse in Statistik, wie sie üblicherweise in einer einführenden Lehrveranstaltung in den B.Sc.-Studiengängen Mathematik, Computer Science, Wirtschaftswissenschaften, Wirtschaftsmathematik und Wirtschaftsingenieur vermittelt werden.
Unterrichtssprache Deutsch
Einsatz digitaler Medien Online-Angebot obligatorisch
HörerInnen willkommen

 

Intervall wöchentlich
Datum 18.02.2020 – 26.05.2020
Zeit Dienstag, 10.15-13.00 Kollegienhaus, Hörsaal 115
Datum Zeit Raum
Dienstag 18.02.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 25.02.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 03.03.2020 10.15-13.00 Uhr Fasnachtsferien
Dienstag 10.03.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 17.03.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 24.03.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 31.03.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 07.04.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 14.04.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 21.04.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 28.04.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 05.05.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 12.05.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 19.05.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Dienstag 26.05.2020 10.15-13.00 Uhr Kollegienhaus, Hörsaal 115
Module Modul: Angewandte Mathematik (Bachelorstudium: Mathematik)
Modul: Angewandte Mathematik (Computational Chemistry) (Bachelorstudium: Computational Sciences (Studienbeginn vor 01.08.2018))
Modul: Angewandte Mathematik (Computational Mathematics) (Bachelorstudium: Computational Sciences (Studienbeginn vor 01.08.2018))
Modul: Angewandte Mathematik (Computational Physics) (Bachelorstudium: Computational Sciences (Studienbeginn vor 01.08.2018))
Modul: Schadenversicherung (Masterstudium: Actuarial Science)
Leistungsüberprüfung Lehrveranst.-begleitend
Hinweise zur Leistungsüberprüfung Der Inhalt dieser Lehrveranstaltung wird am letzten Vorlesungstag im Rahmen einer schriftlichen Prüfung geprüft. Es wird eine Wiederholungsprüfung angeboten für Studierende, die am ersten Termin krank waren oder beim ersten Termin mitgeschrieben, aber nicht bestanden haben. Die Wiederholungsprüfung ist ebenfalls schriftlich.
An-/Abmeldung zur Leistungsüberprüfung An-/Abmelden: Belegen resp. Stornieren der Belegung via MOnA
Wiederholungsprüfung keine Wiederholungsprüfung
Skala 1-6 0,5
Wiederholtes Belegen beliebig wiederholbar
Zuständige Fakultät Universität Basel
Anbietende Organisationseinheit Fachbereich Mathematik

Zurück