Zur Merkliste hinzufügen
Zurück

 

13369-01 - Vorlesung: Predictive Analytics 4 KP

Semester Frühjahrsemester 2024
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 Die Vorlesung beginnt in der zweiten Vorlesungswoche, am Montag, 4. März 2024.

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.
Weblink https://adam.unibas.ch

 

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 09.15-12.00 Spiegelgasse 5, Seminarraum 05.002
Bemerkungen Die Vorlesung beginnt in der zweiten Vorlesungswoche, am Montag, 4. März 2024.

Einzeltermine

Datum Zeit Raum
Montag 04.03.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 11.03.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 18.03.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 25.03.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 01.04.2024 09.15-12.00 Uhr Ostern
Montag 08.04.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 15.04.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 22.04.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 29.04.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 06.05.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 13.05.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Montag 20.05.2024 09.15-12.00 Uhr Pfingstmontag
Montag 27.05.2024 09.15-12.00 Uhr Spiegelgasse 5, Seminarraum 05.002
Module Modul: Angewandte Mathematik (Bachelorstudium: Mathematik)
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

Zurück