Inhalt
| Kommentar |
Inhalte:
• R Basics
• Data visualization
• Exploratory data analysis
• Data transformation
• Hypotheses testing
• Introduction to machine learning
Lernziele:
Nach erfolgreichem Beenden dieses Moduls sind die Studierenden in der Lage,
• Eigenständige Datenanalysen durchzuführen, zu verstehen und zu bewerten,
• Datenmanipulationen durchzuführen, kritisch zu hinterfragen und zu verstehen,
• Empirische Fragestellungen mit entsprechenden Datensätzen eigenständig zu beantworten. |
| Literatur |
Wickham, Hadley & Grolemund, Garrett (2017): R for Data Science. O’Reilly, Beijing.
Lander, Jared P. (2017): R for Everyone, 2nd ed. Addison-Wesley, Boston.
Nwanganga, Fred & Chapple, Mike (2020): Practical Machine Learning in R, Wiley, Indianapolis. |
| Bemerkung |
*Zusätzlich zum Besuch der Vorlesung, ist der Besuch einer der folgenden Übungen verpflichtend (Wahlalternativen):
ÜB1: Mi, 16:00-18:00 Uhr LB 107
ÜB2: Do, 10:00-12:00 Uhr LE 104
Anmeldefrist ab dem 19.03.2026. Eine Liste freier E3-Plätze und weitere Informationen finden Sie auf unserer Homepage. Als Fachstudent*in wählen Sie zur Anmeldung das fachintern übliche Verfahren; bei LSF: die gleichnamige Veranstaltung ohne das Präfix 'E3'. |
| Voraussetzungen |
In E3 nicht geeignet für:
Fak. WiWi; BWL (MSM & WiWi), MIPSY (ehem. Komedia), KuWi, MOAS m Wi., Software Eng., Wi.-Inf., Wi.-Mathe.
Englische Sprachkenntnisse erforderlich.
Bitte nehmen Sie zur Kenntnis, dass Sie die E3-Ausschlüsse immer selbständig bei Ihrer Auswahl beachten müssen. Das LSF-System schließt Fehlanmeldungen nicht aus. Auch ist im System nicht ersichtlich, nach welcher PO Sie studieren, oder welche/s Fachwissenschaft/Anwendungsfach vorliegt. |
| Leistungsnachweis |
Klausur
Für alle E3 Kurse gilt, dass Sie sich nicht beim Prüfungswesen anmelden können/müssen. In der Regel sind Sie mit der Zulassung zum Kurs zur Prüfung angemeldet. |
