Fachbereich 07: Mathematik und Informatik, Physik, Geographie - Data Science - Bachelor of Science - Data Science (Studienbeginn ab Wintersemester 2022/23)

Details zu Kompetenzzielen, Inhalt, Ablauf, Formalia etc. siehe Modulbeschreibung in der für Sie relevanten Speziellen Ordnung.

Siehe die hierzu gehörende Vorlesung "Grundlagen der Statistik".

Die Veranstaltung kann auch im Rahmen von AfK (Nr. 706) belegt werden.

Dieser Modul setzt den Modul "Grundlagen der Datenanalyse mit R (R1)" des vorherigen Semesters nahtlos fort und hat ebenso als Hauptanliegen die Anwendung statistischer Verfahren und den praktischen Umgang mit der (open source) Statistik- und Grafik-Software R anhand von realen Datensätzen. Um die rechtzeitige Installation der aktuellsten Version von R (4.5.1 seit Juni 2025) muss sich - wie zuvor in R1 - vor Beginn des Kurses selbst gekümmert werden. Quelle der Software: https://cran.r-project.org (im Bereich "Download and Install R", wohinter sich auch Installationshinweise sowie Links auf die "R FAQ" und die "R for Windows FAQ" finden, deren - zumindest partielle - Lektüre empfehlenswert und hilfreich ist). Achtung: Beim Upgrade auf eine neuere 4er-Version ist es i. d. R. nötig, *sämtliche*, bereits installierten Pakete zu aktualisieren, was wegen gewissen Abhängigkeiten unter divesen Paketen evtl. sogar wiederholt erfolgen muss und einige Zeit in Anspruch nehmen kann.

Kompetenzziele: Sie erlernen anhand realer Daten die Nutzung weiterer statistischer Verfahren sowie die Realisierung von Monte-Carlo-Simulationen in R und sollen
• Inferenzstatistik für univariate Ein- und Mehrstichprobenprobleme sowie für die einfache lineare Regression beherrschen,
• Wahrscheinlichkeitsverteilungen und die Generierung von Pseudo-Zufallszahlen in R nutzen können,
• Prinzipien, Probleme sowie R-spezifische Vor- und Nachteile verschiedener Simulationskonzepte kennen,
• mit Beispielen für Simulationsstudien vertraut sein,
• Simulationsstudien und -ergebnisse präsentieren können.

Als Master-Modul: Die Studierenden sollen lernen, selbstständig Simulationsszenarien zu konzipieren, zu implementieren und die Resultate der Simulation zu präsentieren.

Modulinhalte:
• R-Funktionen für die Inferenzstatistik univariater Ein- und Mehrstichprobenprobleme
• Einführung in die einfache lineare Regression
• Wahrscheinlichkeitsverteilungen und Pseudo-Zufallszahlen
• Simulation des Starken Gesetzes der Großen Zahlen in diversen Beispielen
• eventuell Simulationen auf der Basis von "random walks", z. B. für Ruinprobleme, Geburtsprozesse, Bäume, Markovketten.

Als Master-Modul: Selbstständige Konzeption und Implementation eines ausgewählten Simulationsszenarios samt Präsentation der Simulationsergebnisse.

Formales ist im jeweiligen Modulhandbuch zu finden (für BSc siehe z. B. unter https://www.uni-giessen.de/mug/7/findex35.html/7_35_07_03_Ma in der Anlage 2 und für MSc siehe z. B. unter https://www.uni-giessen.de/mug/7/findex36.html/7_36_07_3_M in der Anlage 2).

Der Kurs richtet sich an Studierende der Mathematik (Bachelor oder Master oder Lehramt an Gymnasien) mit Interesse an angewandter Stochastik und an Studierende aus anderen Fachgebieten mit einem belastbaren statistischen Basiswissen.
Gründliche Kenntnisse aus dem Modul "Grundlagen der Datenanalyse mit R (R1)" sowie Kenntnisse aus den Modulen "Stochastik 1" und "Stochastik 2" (oder gleichwertigen, höheren Vorlesungen über Statistische Methoden) sind notwendig (bzw. zumindest äußerst empfehlenswert).

Siehe bitte die zugehörige Vorlesung.

PD Dr. Andreas Malcher

PD Dr. Andreas Malcher

PD Dr. Andreas Malcher

PD Dr. Andreas Malcher

In this lecture, you will get an introduction to basic principles of human brain organization and the methods to investigate them experimentally, with a focus on computational analyses of functional brain data, including neural decoding and artificial neural network models. Based on attendee preferences, the course will be taught in German or English.

In this seminar, you will get an introduction to the human visual system, as a model system for understanding the principles of neural coding and how we can reveal them using neuro-computational methods. Based on attendee preferences, the course will be taught in German or English.

(for an English description, see below)

Diese Veranstaltung ist eine praktische Einführung zur Durchführung von neurowissenschaftlichen Experimenten mithilfe von Elektroenzephalografie (EEG). Der spezifische Fokus dieses Praktikums besteht darin, zu lernen, wie man visuelle Inhalte, die Probanden in einem Computerexperiment präsentiert bekommen haben, mithilfe von Classifier-Algorithmen aus deren Gehirnaktivität dekodiert. Teilnehmende Studierende müssen selbst ein EEG-Experiment an Probanden durchführen und erlernen, wie man EEG-Daten vorverarbeitet und die Decoding-Analysen in MATLAB programmiert.

This course is a practical introduction to conducting neuroscientific experiments using electroencephalography (EEG). The specific focus of this practical course is learning how to decode visual contents that participants were presented in a computer experiment from their brain activity using classifier algorithms. Participating students have to conduct an EEG experiment themselves, learn how to preprocess EEG data and program the decoding analyses in MATLAB.

If desired, the course can be taught in English.