Studies

243
Compulsory

Signals that the scheduler is currently optimizing time and rooms of all courses. Department admins may still alter the scheduling (time/room) preferences to resolve conflicts or other scheduling problems.

  • The course instance must not be deleted.
  • Secretaries or lecturers can still update texts, but NOT alter the scheduling (time/room) preferences
  • All other data (including course state) can only be changed by directors or department administrators.

Zugangsvoraussetzungen: keine.

Qualifikationsziele: Die Studierenden beherrschen komplexe Methoden der statistischen Modellierung, der Datenwissenschaften und des maschinellen Lernens. Sie sind in der Lage, univariate und raumzeitliche Datensätze im Zusammenhang mit geowissenschaftlich relevanten Fragestellungen zu analysieren und zu modellieren. Sie können die Möglichkeiten und Defizite der behandelten Ansätze abschätzen. Weiterhin sind sie in der Lage, die in der Vorlesung behandelten Analyseansätze und Modelle praktisch im Rahmen einer statistischen Programmierumgebung umzusetzen, auf eigene Fragestellungen anzuwenden und sicher zu interpretieren und können eigenständig an aktuellen Projekten mitarbeiten.

Inhalte: Die Studierenden lernen erweiterte Grundlagen aus der Statistischen Modellierung kennen. Sie befassen sich mit lineare und additive Regressionsverfahren, sowie mit Modellen und Ansätzen für die Klassifikation und Clustering. Sie beschäftigen sich mit der Verifikation probabilistischer Vorhersagen, mit stochastischen Prozessen und geostatistischen Ansätze insbesondere für Fragestellungen aus dem Bereich der Atmosphärenwissenschaften.

Prerequisites: None.

Learning objectives: Students are confident in using complex methods of statistical modeling, data science, and machine learning. They are able to analyze and model univariate and spatiotemporal datasets in the context of questions relevant to the field of Earth sciences. They can assess the capabilities and limitations of the approaches covered. Furthermore, they are able to implement the analysis approaches and models discussed in the course in a statistical programming environment, apply them to their own research questions, interpret results confidently, and independently contribute to current research projects.

Content: Students learn advanced fundamentals of statistical modeling. They engage with linear and additive regression methods, as well as models and approaches for classification and clustering. They study the verification of probabilistic forecasts, stochastic processes, and geostatistical approaches, with a particular focus on questions from the field of atmospheric sciences.

Cross-language

243 120
Compulsory

Expectant Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

Nursing Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

AncillaryCourses

S/PC - Statistical Modeling in Atmospheric Sciences

Expectant Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire

Nursing Mother

Not dangerous
Partly dangerous
Alternative Course
Dangerous
Show questionnaire