Statistik - Induktive Statistik (1015708)

Druck-Ansicht

• Dauer: 2 Tage
• Zielgruppe: Programmierer, Softwarearchitekten, Manager (Fortgeschrittene )
• Vorkenntnisse: Allgemeine Kenntnisse der Mathematik
• Methode: Vortrag mit Beispielen und Übungen.
• Typ: Öffentliches Seminar / Inhouse
• Download:Anmeldeformular | AGB | Hotels & Anfahrt | Info-Broschüre
• Inhalt: Die induktive Statistik (auch mathematische Statistik, schließende Statistik oder Inferenzstatistik): In der induktiven Statistik leitet man aus den Daten einer Stichprobe Eigenschaften einer Grundgesamtheit ab. Die Wahrscheinlichkeitstheorie liefert die Grundlagen für die erforderlichen Schätz- und Testverfahren. Sie gibt der deskriptiven Statistik die Werkzeuge an die Hand, mit deren Hilfe diese aufgrund der beobachteten Daten begründete Rückschlüsse auf deren zu Grunde liegendes Verhalten ziehen kann.
• Dozent: Dr. Ralf Klinkenberg studierte Informatik an der Universität Dortmund, war dort von 1998 bis 2003 wissenschaftlicher Mitarbeiter und dann Doktorand am Lehrstuhl für Künstliche Intelligenz. 1994/95 studierte er mit einem Stipendium der deutsch-amerikanischen Fulbright-Kommission für ein Jahr an der University of Missouri-Rolla (UMR) in Rolla, Missouri, USA. 1996 schloss er dieses Auslandsstudium mit dem Master of Science in Computer Science ab. Seine Interessen liegen im Bereich des maschinellen Lernens, des Data Mining und der Wissensentdeckung (Knowledge Discovery). Speziell interessieren ihn maschinelle Lernverfahren zum adaptiven Informationsfiltern bei sich verändernden Konzepten aus zeitlich veränderlichen Datenströmen. Seit 2007 ist er für die Comelio GmbH im Bereich Statistik und Data Mining tätig. Im Bereich Beratung und Implementierung unterstützt er Kunden bei der Einführung des Open Source Data Mining-Systems Rapid Miner (vormals Yale).
  Zu seinen zahlreichen wissenchaftlichen Veröffentlichungen gehören (1) Scholz, Martin and Klinkenberg, Ralf. Boosting Classifiers for Drifting Concepts. In Intelligent Data Analysis (IDA), Special Issue on Knowledge Discovery from Data Streams, Vol. 11, No. 1, Seiten 3--28, 2007, (2) Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm. YALE: Rapid Prototyping for Complex Data Mining Tasks. In Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2006), ACM Press, 2006 und (3) Scholz, Martin and Klinkenberg, Ralf. An Ensemble Classifier for Drifting Concepts. In Gama, J. and Aguilar-Ruiz, J. S. (editors), Proceedings of the Second International Workshop on Knowledge Discovery in Data Streams, Seiten 53--64, Porto, Portugal, 2005.

Inhalte

A. Grundlagen

Das klassische Entscheidungsmodell - Entscheidungen bei Informationen über den wahren Zustand - Grundannahmen der Statistik

B. Schätzen

Erwartungstreue Schätzfunktionen - Maximum-Likelihood-Schätzfunktion - Intervallschätzungen

C. Testen

Tests zum Niveau alpha - Neymann-Pearson-Tests - Gleichmäßig beste Tests zum Niveau alpha - Gleichmäßig beste unverfälschte Tests - Beziehungen zwischen Test und Konfidenzintervallen

Kontakt

Preise

Wenn Sie mehrere Seminarplätze gleichzeitig buchen, erhalten Sie für jeden Teilnehmer einen Preisvorteil nach folgender Tabelle. Alle Preise zzgl. 19% MwSt. Enthalten:

• Catering
• Mittagessen
• Literatur

Termine

9:00 - 16:30 Uhr | Inhouse-Termine auf Anfrage.

Ähnliche Seminare