Allgemeine Informationen

Veranstaltungsname	Vorlesung: 39908 Scientific Computing and Digital Reporting with Python
Untertitel
Veranstaltungsnummer	39908
Semester	SoSe 26
Aktuelle Anzahl der Teilnehmenden	40
Heimat-Einrichtung	Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Financial Data Analytics
Veranstaltungstyp	Vorlesung in der Kategorie Lehre (mit Prüfung)
Nächster Termin	Dienstag, 02.06.2026 14:00 - 16:00 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

Lehrende

Räume und Zeiten

(HK 28) SR 102: Dienstag: 14:00 - 16:00, wöchentlich (13x)

Studienbereiche

Modulzuordnungen

Kommentar/Beschreibung

• Introduction to programming with Python
• Linear algebra with numpy and pytorch
• Optimization for machine learning
• First order methods:
o (stochastic/batch) gradient descent
o Momentum
o Adam
• Second order methods:
o Newton’s method
o Quasi-Newton methods, i.e., BFGS and L-BFGS-B
• Estimation of statistical models with nump and scipy
• Training machine learning algorithms with pytorch

After successfully completing the course, students:
- Can use python for data analysis and statistical modeling
- Understand the need for non-linear optimization in statistical modeling and machine learning
- Know fundamental concepts for numerical optimization
- Are able to train and develop their own models

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