Fachbereich 07: Mathematik und Informatik, Physik, Geographie - Data Science - Master of Science - Data Science ab Wintersemester 2023/24

Topologische Datenanalyse bietet Werkzeuge, die besonders robust gegenüber Störungen von Daten (Messfehler, Rundungsfehler, ...) sind. Das wichtigste Werkzeug ist peristente Homologie, die einer Punktwolke einen "Barcode" zuordnet. In diesem Barcode stehen lange Striche für charakteristische Eigenschaften der Daten (Feature) während kurze von Ungenauigkeiten kommen (Noise).

Topologische Datenanalyse bietet Werkzeuge, die besonders robust gegenüber Störungen von Daten (Messfehler, Rundungsfehler, ...) sind. Das wichtigste Werkzeug ist peristente Homologie, die einer Punktwolke einen "Barcode" zuordnet. In diesem Barcode stehen lange Striche für charakteristische Eigenschaften der Daten (Feature) während kurze von Ungenauigkeiten kommen (Noise).

Wichtige Info für die HAF-Teilnehmerinnen und Teilnehmer (Hörer aller Fachbereiche, insbesondere Gasthörer) und Ergänzungsstudium (Grundlagen der Praktischen Informatik und Angewandten Mathematik). Sie müssen die Vorlesungen und Übungen nur einer Hälfte der Veranstaltung besuchen: entweder die Wochen 1-7, oder 8-14. In der ersten Hälfte wird Einführung in die Numerische Mathematik unterrichtetet, während in der zweiten Hälfte Einführung in die Optimierung.

Weitere Modulcodes:
MP-40 A, MP-40B, BRF-W, MatWiss-BW 01, MatWiss-BW 02, Mat-Wiss MW 01, Mat-Wiss MW 02,07- BAP-WPF, MRF-W, 07-BAI-S06-2, ES, HAF

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 (4.4.1 seit Juni 2024) 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 die Version 4 oder höher von einer Version unter 4 kommend, ist es 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.

direkte Anfrage bei Dozent*in per E-Mail

nach Absprache mit den Dozent:innen

direkte Anfrage bei Dozent*in per E-Mail

nach Absprache mit den Dozent:innen