Add to watchlist
Back

 

13369-01 - Lecture: Predictive Analytics 4 CP

Semester spring semester 2020
Course frequency Every 2nd spring sem
Lecturers Michael Merz (michael.merz@unibas.ch, Assessor)
Content 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
Learning objectives 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.
Bibliography 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.

Comments 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.

 

Admission requirements Grundkenntnisse in Statistik, wie sie üblicherweise in einer einführenden Lehrveranstaltung in den B.Sc.-Studiengängen Mathematik, Computer Science, Wirtschaftswissenschaften, Wirtschaftsmathematik und Wirtschaftsingenieur vermittelt werden.
Language of instruction German
Use of digital media Online, mandatory
Course auditors welcome

 

Interval Weekday Time Room

No dates available. Please contact the lecturer.

Modules Module: Applied Mathematics (Bachelor's Studies: Mathematics)
Module: Applied Mathematics (Computational Chemistry) (Bachelor's Studies: Computational Sciences (Start of studies before 01.08.2018))
Module: Applied Mathematics (Computational Mathematics) (Bachelor's Studies: Computational Sciences (Start of studies before 01.08.2018))
Module: Applied Mathematics (Computational Physics) (Bachelor's Studies: Computational Sciences (Start of studies before 01.08.2018))
Module: Non-Life Insurance (Master's Studies: Actuarial Science)
Assessment format continuous assessment
Assessment details 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.
Assessment registration/deregistration Reg.: course registration, dereg: cancel course registration
Repeat examination no repeat examination
Scale Pass / Fail
Repeated registration as often as necessary
Responsible faculty University of Basel
Offered by Fachbereich Mathematik

Back