Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Hochdimensionale Statistik - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung Langtext
Veranstaltungsnummer 108378 Kurztext
Semester WS 2019/20 SWS 4
Erwartete Teilnehmer/-innen 10 Studienjahr
Max. Teilnehmer/-innen
Credits 6 Belegung Belegpflicht
Hyperlink
Sprache deutsch
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
iCalendar Export für Outlook Mo. 12:00 bis 14:00 woch bis 21.01.2020  Einsteinstr. 62 - M A 111 (SR 1C)        
iCalendar Export für Outlook Do. 12:00 bis 14:00 woch bis 24.01.2020  Einsteinstr. 62 - M A 111 (SR 1C)        
Gruppe [unbenannt]:
 


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Stolz, Michael, Dr. verantwort
Studiengänge
Abschluss - Studiengang Sem ECTS Bereich Teilgebiet
Master - Mathematik (88 105 10) -
Master - Mathematik (88 105 13) -
Prüfungen / Module
Prüfungsnummer Modul
20001 Vorlesung 1 - Master Mathematik Version 2013
19001 Vorlesung 1 - Master Mathematik Version 2013
19003 Vorlesung 2 (ohne Studienleistung) - Master Mathematik Version 2013
20003 Vorlesung 2 (ohne Studienleistung) - Master Mathematik Version 2013
11012 Vorlesung zur angewandten Mathematik 3 - Master Mathematik Version 2013
11009 Vorlesung zur angewandten Mathematik 2 - Master Mathematik Version 2013
11007 Vorlesung zur angewandten Mathematik 1 - Master Mathematik Version 2013
19004 Vorlesung 2 (mit Studienleistung) - Master Mathematik Version 2013
20004 Vorlesung 2 (mit Studienleistung) - Master Mathematik Version 2013
Zuordnung zu Einrichtungen
Fachbereich 10 Mathematik und Informatik
Inhalt
Voraussetzungen

Belastbare Kenntnisse aus der Grundausbildung in Analysis, Linearer Algebra und Wahrscheinlichkeitstheorie. Vorkenntnisse aus der Statistik sind hilfreich, aber nicht zwingend erforderlich.

Leistungsnachweis

Übernahme einer Mindestanzahl von Arbeitsaufträgen in den Übungen sowie Bestehen einer mündlichen Prüfung.

Lerninhalte

In der Vorlesung sollen theoretische Garantien für datenanalytische Verfahren bewiesen werden, deren Input in n Realisierungen eines d-dimensionalen Datenvektors besteht, wobei d dieselbe Größenordnung wie n besitzen darf (was in Anwendungen wie Online-Marketing oder Genetik oft der Fall ist). Hierzu müssen Hilfsmittel insbesondere aus dem Bereich der Konzentrationsungleichungen und der uniformen Grenzwertsätze bereitgestellt werden. Datenanalytische Themen werden in erster Linie Kovarianzschätzung und Hauptkomponentenanalyse sowie lineare und nichtparametrische Regression sein. 


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WS 2019/20 , Aktuelles Semester: SoSe 2023