Modulbeschreibung
Regression Modeling
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Arbeitsaufwand (h):
Lernziele:
Regressionen stellen einen der grundlegende Ansätze dar, mit denen wir aus Beobachtungen (Daten) lernen: Es geht darum, auf der Basis von einem oder mehreren Inputsgrössen (z.B. Teilnehmerzahl am Open Air & Tagestemperatur) eine Outputgrösse (Nachfrage nach Bier) vorherzusagen. Konzepte aus der Regressonsanalyse sind Basis für viele weiterführende Methoden, die z.B. im Maschine Learning und für Künstliche Intelligenz zum Einsatz kommen.
Absolvent:innen dieses Moduls lernen bessere Entscheide datenbasiert treffen: sie wissen wie man relevante Beobachtungsgrössen von unwichtigen unterscheidet, können qualifizierte Schätzungen wichtiger Steuerungsgrössen eines Unternehmens vornehmen und sind sich darüber im Klaren, mit welchen Unsicherheiten diese Schätzungen behaftet sind.
Verantwortliche Person:
Standort (angeboten):
Zusätzlich vorausgesetzte Kenntnisse:
Summen- und Produktfunktionen mit Indices
e-Funktion; Logarithmus (für logistische Regression)
quantitative (stetige, kontinuierliche) und qualitative (kategorisch) Variablen unterscheiden
Erwartungswert, Varianz, kumulative Wahrscheinlichkeit
Wahrscheinlichkeitsverteilung (insb. Normalverteilung)
Bedingte Wahrscheinlichkeiten,
Daten Einlesen aus *.XLSX, CSV etc ; sich einen Überblick verschaffen; Datenformate ; Datenbereinigung
Testverfahren in der Statistik (t-Test, p-Werte)
--> klar abgrenzen, was REGMOD selbst an Grundlagen erarbeiten muss!
Skriptablage:
Modultyp:
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Bemerkungen zur Prüfung:
Schriftliche Prüfung mit Einsatz der im Unterricht verwendeten Tools (Python)
Kurse in diesem Modul
Regression Modeling
Kürzel:
Semester:
Lernziele:
Fachkompetenzen:
Absolvent:innen dieses Moduls
- können grundlegende Ansätze der Regressionsanalyse auf vorhandene Daten anwenden, die Ergebnisse aussagekräftig aufbereiten und kritisch interpretieren.
- verstehen die Grundlagen der vermittelten Methoden und können auf dieser Basis problemspezifisch geeignete Ansätze auswählen
Methodenkompetenzen:
für einfache & multiple Regression und logistische Regression:
-Modelle aufstellen und Parameter schätzen
-Testen der Modelle bestimmen der Vertrauensintervalle
-Umsetzung in Python (mit asugewählten Packages)
-Visualisieren & Interpretieren der Ergebnisse
(Resuduenanalyse & Interpretaton der Ergebnisse ?)
Plan und Lerninhalt:
einfache lineare Regression:
- Grundlegende Konzepte der Regressionsanalyse
- Umsetzung mit HIlfe von Python an unterschiedlchen Beispielen
- Interpretation der Ergebisse und Beurteilung der Validität
multiple lineare Regression
- Erweiterung der Modellvorstellung für Abhängigkeiten von mehreren Einflussgrössen
- Umsetzungfür unterschiedliche Anwendungen in Python (mit Packages)
- Vergleich einfache vs. multiple Modelle (multiple Regression ist mehr als mehrere einfache Regressionen)
Bewertung und Vergleich von linearen Regressionsmodellen
- Residuenanalyse
- Beurteilungen der Modellwahl/ Kolinearität/ Overfitting
Regression bei qualitativen Beobachtungen (Classification)
- Grundlegende Konzepte für Problemstellungen mit qualitativen Vorhersagevariablen (Logistische Regresion)
- Umsetzung in Python (mit Packages) an unterschiedlichen Anwendungsbeispielen
Unterrichtssprache:
Kursart:
Durchführung gemäss Stundenplan