Mathematische Grundlagen von BIG DATA Analytics SS 2018
Vorlesender: Herr Prof. Dr. Vladimir Shikhman
Übungsleiter: Herr David Müller, M. Sc.
Zielgruppe: wob: M_BI__2, M_Fi__2, M_Ma*
SWS: 2 V, 1 Ü (Master Finance, Master Business Intelligence & Analytics) bzw. 2 V, 2 Ü (Master Mathematik)
Inhalt: Das bezeichnende an Big Data ist, dass die zu bearbeitenden Datenmengen zu gross, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie mit manuellen und herkömmlichen Methoden der Datenverarbeitung auszuwerten. In dieser Veranstaltung werden grundlegende mathematische Modelle im Bereich Big Data Analytics dargestellt sowie ein anwendungsorientierter Bezug zu relevanten wirtschaftswissenschaftlichen Fragestellungen hergestellt. Es werden mathematische Hilfsmittel aus der Angewandten Mathematik (insbesondere Numerische Lineare Algebra, Statistik, Optimierung, Graphentheorie) erläutert und auf aktuelle Probleme der Datenanalyse im ökonomischen Kontext angewandt.
Abschluss: 60-minütige Klausur (Master Business Intelligence & Analytics) bzw. 30-minütige mündliche Prüfung (Master Finance, Master Mathematik)Aktuelles
Wann? | Was? |
---|---|
06.04.2019 | Ausnahmsweise findet die Vorlesung anstelle der Übung statt. |
13.04.2019 | Beginn der Übung |
Termine
Tag | Zeit | Raum | |
---|---|---|---|
Vorlesung | Montag | 11:30-13:00 | 2/B202 |
Übung | Freitag | 13:45-15:15 | 2/N106 |
Materialien
Thema | Vorlesung | Übung |
---|---|---|
1. Ranking I | Vorlesung1 | Übung1 |
2. Ranking II | Vorlesung2 | Übung2 |
3. Online Learning I | Vorlesung3 | Übung3 |
4. Online Learning II | Vorlesung4 | Übung4 |
5. Recommendation Systems I | Vorlesung5 | Übung5 |
6. Recommendation Systems II | Vorlesung6 | Übung6 |
7. Classification I | Vorlesung7 | Übung7 |
8. Classification II | Vorlesung8 | Übung8 |
9. Clustering I | Vorlesung9 | Übung9 |
10. Clustering II | Vorlesung10 | Übung10 |
11. Sparse Recovery I | Vorlesung11 | Übung11 |
12. Sparse Recovery II | Vorlesung12 | Übung12 |
13. Neural Networks I | Vorlesung13 | Übung13 |
14. Neural Networks II | Vorlesung14 | Übung14 |