Supervised Machine Learning: RegressionModulbeschreibung #70370 / Version 4
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #70370 / #4 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Werwatz, Axel |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät VII |
|---|---|
| Institut | Institut für Volkswirtschaftslehre und Wirtschaftsrecht |
| Fachgebiet | 37312100 FG Ökonometrie und Wirtschaftsstatistik |
Kontakt
| Sekretariat | H 57 |
|---|---|
| Ansprechpartner*in | Marcath, Ronja Maria |
| E-Mail-Adresse | sekretariat@statistik.tu-berlin.de |
| Webseite | http://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.
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
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Supervised Machine Learning: Regression | Vorlesung | VL 71 21 L | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
| Supervised Machine Learning: Regression | Übung | VL 71 21 L | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Supervised Machine Learning: Regression (Vorlesung) 1
- Supervised Machine Learning: Regression (Vorlesung) Termingruppe 1 VL 71 21 L
Supervised Machine Learning: Regression (Übung) 1
- Supervised Machine Learning: Regression (Übung) Termingruppe 1 VL 71 21 L
Arbeitsaufwand und Leistungspunkte
Supervised Machine Learning: Regression (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- und Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Supervised Machine Learning: Regression (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- und Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 60 h | 60 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 90 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.
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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Economics and Sustainability StuPO 2024 | WiSe 2025/26 | Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability |
| SoSe 2026 | Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability | |
| WiSe 2026/27 | Wahlpflichtbereich „Economics, Sustainability and Technology“ › Economic Sustainability | |
| Industrial Economics StuPO 2018 | WiSe 2025/26 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule |
| SoSe 2026 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| WiSe 2026/27 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2025/26 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
| SoSe 2026 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2026/27 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Integrationsbereich › Statistics & Econometrics |
Keine Angabe
Sonstiges
Die Veranstaltung findet auf englisch statt.