Universität Hamburg - der Forschung, der Lehre, der Bildung, zur Homepage
Institut für Mathematik und Statistik
Institutfür Mathematik und Statistik

Foto: UHH

Statistische Lerntheorie

Allgemeine Informationen zum Seminar

Die Teilnehmer/innen dieses Seminars sollen ihre in der Vorlesung „Regressionsanalyse“ erworbenen Kenntnisse in Richtung Statistische Lerntheorie erweitern und mit Hilfe der Statistiksoftware R auf wirtschaftswissenschaftliche Fragestellungen anwenden.

Teilnahmevoraussetzung

Leistungsnachweis zur Vorlesung „Regressionsanalyse“ oder „Einführung in das Quantitative Risikomanagement“.

Seminardurchführung

Das Seminar findet während des SoSe 2022 voraussichtlich digital mittels Zoom am Donnerstagnachmittag von 14:15 bis 15:45 Uhr statt. Weitere Informationen dazu werden zeitnahe bekannt gegeben. Voraussetzung für die Erlangung des Seminarscheines ist die Teilnahme an mindestens 11 Terminen. Der Leistungsnachweis wird erbracht durch eine Hausarbeit (ca. 13 Seiten) und einen Seminarvortrag von ca. 30 Minuten mit anschließender Diskussion von ca. 10 Minuten. Die Hausarbeit muss mindestens zwei Wochen vor dem Seminarvortrag abgegeben werden.

Vorbesprechung

Am Do, 10.02.2022 um 14:15 Uhr mittels Zoom

Themenzuteilung

Die Liste mit der Themenzuteilung finden Sie zeitnah hier.

Homepage

https://www.bwl.uni-hamburg.de/matstat/studium/sose2022/lerntheorie-seminar/index.html

Seminarthemen und Einstiegsliteratur

Siehe die folgende Themanaufstellung:

Thema 1: Logistische Regression und multinomiale logistische Regression
Fox, J.: Applied Regression Analysis, Linear Models and Related Methods, SAGE Publications, 1997.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Ramasubramanian, K., Singh, Abhishek: Machine Learning using R, Apress, 2019.
Schlittgen, R.: EMultivariate Statistik, Oldenbourg Verlag, 2009
Schlittgen, R.: Regressionsanalyse, Oldenbourg Verlag, 2013.

Thema 2: Lineare und Quadratische Diskriminanzanalyse
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Härdle, W. K., Simar, L.: Applied Multivariate Statistical Analysis, Springer, 2015.
Handl, A.: Multivariate Statistik, Oldenbourg Verlag, 2009.

Thema 3: k-Nächste-Nachbarn- und Naive-Bayes-Klassifikation 
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Forsyth, D.: Applied Machine Learning, Springer, 2019.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Kubat, M.: An Introduction to Machine Learning, Springer, 2015.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.

Thema 4: Resampling-Verfahren: Bootstrapping und Kreuzvalidierung
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.
Ruppert, D.: Statistics and Data Analysis for Financial Engineering, Springer, 2011.

Thema 5: Neuronale Netze und ihre Anwendung auf Klassifikationsprobleme
Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2006.
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Forsyth, D.: Applied Machine Learning, Springer, 2019.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
Kubat, M.: An Introduction to Machine Learning, Springer, 2015.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.

Thema 6: Neuronale Netze und ihre Anwendung auf Regressionsprobleme
Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2006.
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Forsyth, D.: Applied Machine Learning, Springer, 2019.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
Kubat, M.: An Introduction to Machine Learning, Springer, 2015.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.

Thema 7: Klassifikations- und Regressionsbäume
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning,Springer, 2017.
Kubat, M.: An Introduction to Machine Learning, Springer, 2015.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.
Schlittgen, R.: Multivariate Statistik, Oldenbourg Verlag, 2009.
Schlittgen, R.: Regressionsanalyse, Oldenbourg Verlag, 2013.

Thema 8: Bagging and Boosting
Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2006.
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Forsyth, D.: Applied Machine Learning, Springer, 2019.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Kubat, M.: An Introduction to Machine Learning, Springer, 2015.

Thema 9: Random Forests
Forsyth, D.: Applied Machine Learning, Springer, 2019.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.

Thema 10: Hauptkomponentenanalyse und Hauptkomponentenregression
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Härdle, W. K., Simar, L.: Applied Multivariate Statistical Analysis, Springer, 2015.
Handl, A.: Multivariate Analysemethoden, Springer, 2002.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Schlittgen, R.: Multivariate Statistik, Oldenbourg Verlag, 2009.

Thema 11: Partitionierende und hierarchische Clusterverfahren
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Forsyth, D.: Applied Machine Learning, Springer, 2019.
Härdle, W. K., Simar, L.: Applied Multivariate Statistical Analysis, Springer, 2015.
Handl, A.: Multivariate Analysemethoden, Springer, 2002.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Ramasubramanian, K., Singh, Abhishek: Machine Learning Using R, Apress, 2019.
Schlittgen, R.: Multivariate Statistik, Oldenbourg Verlag, 2009.

Thema 12: Hidden Markov Models
Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2006.
Fink, G. A.: Mustererkennung mit MarkovModellen: Theorie Praxis Anwendungsgebiete, Vieweg+Teubner Verlag, 2003.
Forsyth, D.: Applied Machine Learning, Springer, 2019.

Thema 13: Support Vector Machines
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning, Springer, 2016.
James, G.,Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Dinov, I. D.: Data Science and Predictive Analytics, Springer, 2018.
Mello, R. F. de, Ponti, M. A.: Machine Learning: A Practical Approach on the Statistical Learning Theory, Springer, 2015.