Zurück
| Semester | Frühjahrsemester 2022 |
| 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 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 und Wirtschaftsmathematik vermittelt werden. |
| Unterrichtssprache | Deutsch |
| Einsatz digitaler Medien | Online-Angebot obligatorisch |
| HörerInnen willkommen |
| Intervall | Wochentag | Zeit | Raum |
|---|---|---|---|
| wöchentlich | Montag | 10.15-13.00 | Pharmaziemuseum, Grosser Hörsaal |
| Datum | Zeit | Raum |
|---|---|---|
| Montag 21.02.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 28.02.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 07.03.2022 | 10.15-13.00 Uhr | Fasnachtsferien |
| Montag 14.03.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 21.03.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 28.03.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 04.04.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 11.04.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 18.04.2022 | 10.15-13.00 Uhr | Ostern |
| Montag 25.04.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 02.05.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 09.05.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 16.05.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 23.05.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 30.05.2022 | 10.15-13.00 Uhr | Pharmaziemuseum, Grosser Hörsaal |
| Montag 12.09.2022 | 10.15-12.15 Uhr | Spiegelgasse 1, Seminarraum 00.003 |
| 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 in der letzten Vorlesungswoche mit einer schriftlichen Prüfung geprüft. |
| An-/Abmeldung zur Leistungsüberprüfung | Anm.: Belegen Lehrveranstaltung; Abm.: stornieren |
| Wiederholungsprüfung | keine Wiederholungsprüfung |
| Skala | 1-6 0,5 |
| Wiederholtes Belegen | beliebig wiederholbar |
| Zuständige Fakultät | Universität Basel |
| Anbietende Organisationseinheit | Fachbereich Mathematik |