| 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. |
| Voraussetzungen |
In E3 nicht geeignet für: WiWi; BWL (MSM & WiWi), Komedia, KuWi, MOAS m Wi., Software Eng., Wi.-Inf., Wi.-Mathe. Studierende der Fak. Mathematik: Bitte beachten Sie bei der Auswahl selbstständig, dass Sie in E3 nur Angebote belegen dürfen, die auch bzgl. Ihres gewählten Anwendungsfachs explizit fachfremd sind. 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. |
