Vorlesung: 39908 Scientific Computing and Digital Reporting with Python - Details

Vorlesung: 39908 Scientific Computing and Digital Reporting with Python - Details

Sie sind nicht in Stud.IP angemeldet.

Allgemeine Informationen

Veranstaltungsname Vorlesung: 39908 Scientific Computing and Digital Reporting with Python
Untertitel
Veranstaltungsnummer 39908
Semester SoSe 24
Aktuelle Anzahl der Teilnehmenden 25
Heimat-Einrichtung Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Financial Data Analytics
Veranstaltungstyp Vorlesung in der Kategorie Lehre (mit Prüfung)
Erster Termin Mittwoch, 17.04.2024 12:00 - 14:00 Uhr, Ort: (HK 28) SR 102
Art/Form
Voraussetzungen
Mathematik und Statistik aus dem Bachelorstudium. Bestenfalls wurde bereits vorher der Kurs "Fundamentals of Business Analytics" (39720) belegt.
Lernorganisation
• Interaktive Vorlesungen
• Interaktive Übungseinheiten
• Digitale Lehrunterlagen zur Programmierung mit Python und zu den methodischen Grundlagen des Kurses
Leistungsnachweis
150 h (60 h in Kontaktstudium sowie 90 h in Selbststudium)
SWS
4
Literatur
• Deep Learning (2016) - Goodfellow, I., Bengio, Y., Courville, A., MIT Press
• The Elements of Statistical Learning (2017) - Hastie, T., Tibshirani, R., Friedman, J.; Springer
• Hands-On Machine Learning with Scikit-Learn, Keras & Tensorflow (2017) – Geron, A.; Wiley
• Learn Python Programming (2018) - Romano, F., Packt Publishing Ltd.
• Web Scraping with Python (2018) - Ryan Mitchell, O'Reilly Media, Inc.
Qualifikationsziele
Studierende können nach erfolgreicher Teilnahme am Kurs fortgeschrittene Datenanalysen unter Verwendung der Programmiersprache Python durchführen und Außenstehende in geeigneter Art und Weise über die relevanten Ergebnisse der Auswertungen informieren. Dies beinhaltet alle Einzelschritte vom Sammeln eigener Daten, der Identifikation und Durchführung eigener Analysen bis hin zum zugänglich machen der Ergebnisse. Zusätzlich erhalten Kursteilnehmer*innen fundierte Kenntnisse in die statistische Modellierung von Finanzmarktdaten. Neben spezifischen Anwendungen wird die allgemeine Kompetenz des selbständigen Lernens neuer statistischer Modelle geschult.
ECTS-Punkte
5

Studienbereiche

Modulzuordnungen

Kommentar/Beschreibung

Kursinhalt:
• Einführung in die Programmierung mit Python
• Statistische Modelle (sklearn, statsmodels, etc. und eigene Implementierung)
• Optimierung mittels Gradienten-basierter Algorithmen (Scipy, Tensorflow, Pytorch)
• Matrix-Zerlegungen mit Ansendungsbeispielen, wie z.B. der Hauptkomponentenanalyse
• Zugang zu Daten mittels APIs und Web Scraping
• Digitales Reporting mit Hilfe einer eigens programmierten Web Applikation
• Abschlussprojekt: Datenbezug, Analyse mittels eines Modells, Reporting der Ergebnisse durch eine eigene Web-App