Methodenübersicht

Machine Learning

• Supervised Learning
1
• Klassifikations- und Regressionsbäume
• Random Forests
• Neuronale Netze
• Ensemble-Methoden (z.B. Boosting, Bagging)
• Data Mining / Unsupervised Learning
• Datenbereinigung und -transformation
• Hauptkomponentenanalyse (PCA) und Faktorenanalyse
• Ausreißererkennung
• Clusteranalyse
• Assoziationsregeln
• Textmining

Big Data

• Hadoop-Ökosystem (Cloudera, Hortonworks)
• Spark
• Hive
• NoSQL-Datenbanken (Cassandra, MongoDB, HBase)

Finanzmathematik

• CAPM
• ARMA/GARCH-Modelle
• Value at Risk (VaR)-Bestimmung

Optimierung

• Konvexe Optimierung (lineare und quadratische Programme)
• Entwicklung effizienter Algorithmen
• Parallelisierung bestehender Algorithmen
• Optimierung bestehender Algorithmen (bzgl. Laufzeit und/oder Speicherbedarf)

Grafische Darstellung

• Histogramme, Boxplots, Zeitreihen, etc.
• (Vektor-)grafiken in ggplot2 (Beispiel)
• Interaktive Grafiken im Webbrowser mit R und shiny (Beispiel)

Ergebnispräsentation

• Interpretation aller Ergebnisse
• Professionell erstellte Tabellen und Grafiken
• Berichterstellung mit LaTeX (Beispiel) oder Microsoft Word

Regressionsmodelle

• Lineare Modelle
• Generalisierte Lineare Modelle zur Vorhersage von
  • Wahrscheinlichkeiten
  • Zähldaten
  • nichtlinearen Effekten
• Gemischte Modelle
• Lebensdauermodelle (z.B. Cox-Modell)
• Quantilregression

Spezielle statistische Methoden

• Bayes-Statistik
• MCMC-Samplingverfahren
• Markovketten und Markovprozesse
• Variablenselektion / Regularisierung
• Boosting
• Lasso-/Ridge-Regression
• Hauptkomponentenanalyse (PCA)
• Funktionale Datenanalyse

Statistische Programmierung

• R
• Python
• SPSS
• Matlab
• Skripte zur automatischen Auswertung gleichartiger Datensätze

Versuchsplanung / DoE (Design of Experiments)

• Fallzahlbestimmung
• Samplingverfahren
• Fragebogenerstellung