Predictive Analytics
Allgemeine Informationen zum Seminar
Die Teilnehmer/innen dieses Seminars sollen ihre in der Vorlesung „Regressionsanalyse“ erworbenen Kenntnisse in Richtung Predictive Analytics 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 SS 2023 wöchentlich zweistündig jeden Donnerstag (vermutlich) von 14.15 bis 15.45 Uhr statt. Voraussetzung für die Erlangung des Seminarscheines ist die regelmäßige Teilnahme am Seminar (mind. 11 Termine). 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 eine Woche vor dem Seminarvortrag abgegeben werden.
Vorbesprechung
Am Do, 02.02.2023 um 15:15 Uhr in Raum 2163/2168
Homepage
https://www.bwl.uni-hamburg.de/matstat/studium/sose2023/predictive-analytics-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.: Multivariate Statistik, Oldenbourg Verlag, 2009
Schlittgen, R.: Regressionsanalyse, Oldenbourg Verlag, 2013.
Thema 2: Verweildaueranalyse
Frees, E. W.: Regression Modelling with Actuarial and Financial Applications, Cambridge University Press, 2010.
James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, Springer, 2017.
Schlittgen, R.: Regressionsanalyse, Oldenbourg Verlag, 2013.
Thema 3: 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.
Schlittgen, R.: Multivariate Statistik, Oldenbourg Verlag, 2009
Thema 4: 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 5: Künstliche 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: 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 9: 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 10: 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.