Zur Merkliste hinzufügen
Zurück

 

13369-01 - Vorlesung: Predictive Analytics 4 KP

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 wöchentlich
Datum 21.02.2022 – 30.05.2022
Zeit 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
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 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