Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Supervised Machine Learning: RegressionModulbeschreibung #70370 / Version 4

← Zur Modulseite English version
Modul / Version#70370 / #4
GültigkeitSeit WiSe 2025/26
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rWerwatz, Axel
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät VII
InstitutInstitut für Volkswirtschaftslehre und Wirtschaftsrecht
Fachgebiet37312100 FG Ökonometrie und Wirtschaftsstatistik

Kontakt

SekretariatH 57
Ansprechpartner*inMarcath, Ronja Maria
E-Mail-Adressesekretariat@statistik.tu-berlin.de
Webseitehttp://www.statistik.tu-berlin.de

Lernergebnisse

Regression ist ein Schlüsselwerkzeug für die empirische akademische Forschung zur Erklärung, d.h. zur Schätzung, kausaler Beziehungen zwischen Variablen. In letzter Zeit hat es eine zentrale Rolle als Schlüsselwerkzeug für die Vorhersage eingenommen, d.h. für überwachtes statistisches Lernen mit einer kontinuierlichen Zielvariable Y. Dies wird die Perspektive dieses Kurses sein. Das empirische Beispiel, das während dieses Kurses verwendet wird, wird die Vorhersage von Hauspreisen (Y) basierend auf ihren Merkmalen (X) sein.
In den Vorlesungen dieses Kurses werden die Studierenden Kenntnisse über die theoretischen Konzepte der Prognose im Kontext der Regressionsanalyse erlangen. In den Übungen wird dieses Wissen verwendet, um tatsächlich empirische Vorhersagemodelle mithilfe der Programmiersprache Python zu implementieren und zu schätzen. Dies ermöglicht es den Studierenden, autonom empirische Forschungsfragen zu beantworten. Dies umfasst die Spezifikation statistischer Modelle sowie ihre Schätzung. Das theoretische Wissen aus den Vorlesungen ermöglicht es den Studierenden, die erhaltenen Ergebnisse in den Kontext zu setzen. Dies beinhaltet die Erkennung falsch spezifizierter Modelle sowie die korrekte Interpretation von Modellergebnissen. Darüber hinaus werden die Studierenden Expertise in der Bearbeitung von empirischen Forschungsprojekten erlangen, die typischerweise Teil einer wissenschaftlichen Abschlussarbeit sind. Es wird empfohlen, bereits Kenntnisse in der Programmierung mit Python zu haben.

Umweltökonomische Themen können an unserem FG insbesondere im Modul „Applied Environmental Econometrics in R“ vertieft werden.

Lehrinhalte

Loss Functions und Optimal Prediction
Modellwahl (bias-variance trade-off, Kreuzvalidierung, Informationskriterien)
nicht-parametrische Regression
Kernel-Regression
Nearest-neighbor Regression
Additive Modelle
Parametrische Regression
Lineare Regression
Ridge Regression
LASSO und Elastic Net Regression
Regression Trees
Random Forest

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Supervised Machine Learning: RegressionVorlesungVL 71 21 L Wintersemester[en]2 ISIS
Supervised Machine Learning: RegressionÜbungVL 71 21 L Wintersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Supervised Machine Learning: Regression (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Supervised Machine Learning: Regression (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Supervised Machine Learning: Regression (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor- und Nachbereitung152 h30 h
60 h

Supervised Machine Learning: Regression (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor- und Nachbereitung152 h30 h
60 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Prüfungsvorbereitung160 h60 h
60 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Neben der Vorlesung (VL) findet eine Übung in Form einer computerbasierten Übung statt. Dabei werden Programmier- sowie Datenanalyseaufgaben bearbeitet mit Hilfe eines Statistikprogrammes.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Kenntnisse im Bereich Wahrscheinlichkeitstheorie und statistische Inferenz auf dem Niveau der Veranstaltungen „Statistik I für Wirtschaftswissenschaften“ und „Statistik II für Wirtschaftswissenschaften" sind wünschenswert. Weiterhin ist der erfolgreiche Abschluß einer Veranstaltung, die die Grundlagen der Regressionsanalyse zum Thema hat (z.B. "Ökonometrie"), wünschenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang90 Min.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Eine Anmeldung zur Teilnahme am Kurs ist nicht erforderlich.

Die Anmeldung zur Prüfung erfolgt generell über Moses.
Die 2. Wiederholungsprüfung findet in der Statistik schriftlich statt.
Studierende beachten bitte das Anmeldeprocedere (Anmeldeformular) des Prüfungsamts.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • Fahrmeir, L., Kneib, T., Lang, S., Regression, Springer.
  • Hastie, T., Tibshirani, R. and Friedman, J. (2017). The elements of statistical learning. 2nd edition. Corrected 12th printing, Springer Series in Statistics.

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Economics and Sustainability
StuPO 2024
WiSe 2025/26Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability
SoSe 2026Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability
WiSe 2026/27Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability
Industrial Economics
StuPO 2018
WiSe 2025/26Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
SoSe 2026Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
WiSe 2026/27Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
Wirtschaftsingenieurwesen
StuPO 2015
WiSe 2025/26Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SoSe 2026Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2026/27Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Integrationsbereich › Statistics & Econometrics

Keine Angabe

Sonstiges

Die Veranstaltung findet auf englisch statt.