AGNES -
Lehre und Prüfung online
Studierende in Vorlesung
Anmelden

Statistik und Data Science für die Informatik - Detailseite

  • Funktionen:
Grunddaten
Veranstaltungsart Vorlesung Veranstaltungsnummer 3313009
Semester SoSe 2024 SWS 3
Rhythmus Moodle-Link  
Veranstaltungsstatus Freigegeben für Vorlesungsverzeichnis  Freigegeben  Sprache deutsch
Belegungsfrist Es findet keine Online-Belegung über AGNES statt!
Veranstaltungsformat Keine Angabe

Termine

Gruppe 1
Tag Zeit Rhythmus Dauer Raum Gebäude Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Di. 11:00 bis 13:00 wöch 0115 (Hörsaal)
Stockwerk: EG


alttext alttext
RudCh26-Modul 1 Erwin-Schrödinger-Zentrum - Rudower Chaussee 26 (RUD26)

Außenbereich nutzbar Innenbereich nutzbar Parkplatz vorhanden Leitsystem im Außenbereich Barrierearmes WC vorhanden Barrierearme Anreise mit ÖPNV möglich
Leser findet statt     1000
Do. 11:00 bis 13:00 14tgl./1 0115 (Hörsaal)
Stockwerk: EG


alttext alttext
RudCh26-Modul 1 Erwin-Schrödinger-Zentrum - Rudower Chaussee 26 (RUD26)

Außenbereich nutzbar Innenbereich nutzbar Parkplatz vorhanden Leitsystem im Außenbereich Barrierearmes WC vorhanden Barrierearme Anreise mit ÖPNV möglich
Leser findet statt     1000
Gruppe 1:
 


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Leser, Ulf , Prof. Dr.
Studiengänge
Abschluss Studiengang LP Semester
Bachelor of Arts  Informatik Zweitfach ( Vertiefung: kein LA; POVersion: 2015 )   -  
Bachelor of Arts  Informatik Zweitfach ( Vertiefung: mit LA-Option; POVersion: 2015 )   -  
Bachelor of Arts  Informatik Zweitfach ( Vertiefung: mit LA-Option; POVersion: 2022 )   -  
Bachelor of Science  Informatik Kernfach ( Vertiefung: mit LA-Option; POVersion: 2015 )   -  
Bachelor of Science  Informatik Kernfach ( Vertiefung: kein LA; POVersion: 2015 )   -  
Bachelor of Science  Informatik Monobachelor ( Vertiefung: kein LA; POVersion: 2015 )   -  
Bachelor of Science  Informatik Zweitfach ( Vertiefung: mit LA-Option; POVersion: 2015 )   -  
Bachelor of Science  Informatik Zweitfach ( Vertiefung: kein LA; POVersion: 2015 )   -  
Bachelor of Science  Informatik Kernfach ( Vertiefung: mit LA-Option; POVersion: 2022 )   -  
Bachelor of Science  Informatik Monobachelor ( Vertiefung: kein LA; POVersion: 2022 )   -  
Bachelor of Science  Informatik Zweitfach ( Vertiefung: mit LA-Option; POVersion: 2022 )   -  
Zuordnung zu Einrichtungen
Einrichtung
Mathematisch-Naturwissenschaftliche Fakultät, Institut für Informatik
Inhalt
Kommentar

Hinweis: zum 01.04.2022 trat eine Änderung der SPO 2015 in Kraft. Dort ist die Pflicht-Lehrveranstaltung M4 gestrichen. Stattdessen wird Statistik und Data Science für die Informatik gehört.

 

  • Grundlagen der Statistik und Bezüge zu Data Science: Übersicht verschiedener Arten der Statistik (z.B. deskriptive Statistik, Inferenzstatistik, explorative Statistik) und Datentypen; motivierende Beispiele für Einsatz in Anwendungen; Daten und Ethik– Deskriptive Statistik und Wahrscheinlichkeitsverteilungen: (diskrete u. vor allem) kontinuierliche Verteilungen; grundlegende Konzepte für kontinuierliche Verteilungen (bedingte Wahrscheinlichkeit, stochastische Unabhängigkeit, Multiplikationssatz, Satz von Bayes, Erwartungswert, Varianz, Kovarianz usw.); Sampling, statistische Signifikanz und Tests; Bezug zu Data Science durch Umsetzen eines Beispielalgorithmus wie Naive Bayes Klassifikator
  • Inferenzstatistik: Stochastische Optimierung durch Gradientenabstieg und ihr Einsatz in Inferenzstatistik (z.B. SGD, künstliche Evolution); angewandte Differentialrechnung; Entscheidungsräume und Verlust-funktionen (z.B. mittlerer absoluter Fehler, mittlere quadratische Abweichung, Hinge Loss, Negative Log Likelihood); Lineare Transformationen (Einbettungen von Datenpunkten in Vektorräumen); Regularisierungstechniken (z.B. Dropout, Mini-Batching, L1/L2-Regularisierung); statistische Gütekriterien (wie F-Maß, Korrektklassifikationsrate); Validierungsverfahren (z.B. Kreuzvalidierung); Ausblick auf vertiefende Themen (z.B. Multi-Class/Multi-Label, Regression, dynamische Daten); Bezug zu Data Science durch Um-setzen eines Beispielalgorithmus wie z.B. eines flachen Neuronalen Netzes zur Klassifikation
  • Informationstheorie: Übersicht über für Statistik und Data Science relevante Grundbegriffe und Kenntnisse (z.B. Entropie, Kullback-Leibler-Divergenz, Kreuzentropie, Mutual Information, Differentielle Entropie); Bezug zu Data Science durch Verwendung in einem Beispielalgorithmus wie z.B. der Induktion von Entscheidungsbäumen
  • Explorative Statistik: Ähnlichkeitsmaße (z.B. Kosinus-Ähnlichkeit, Euklidischer Abstand); Datentransformation (z.B. Diskretisierung, Normalisierung); Datenvisualisierung (z.B. Balkendiagramme, Box-Plots, Scatter-Plots, PCA); Intrinsische und extrinsische Gütekriterien; Bezug zu Data Science durch Umsetzen eines Beispielalgorithmus wie z.B. Clustering mit k-means

 

Bemerkung
 
 
 

Strukturbaum

Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2024. Aktuelles Semester: WiSe 2024/25.
Humboldt-Universität zu Berlin | Unter den Linden 6 | D-10099 Berlin