Fortgeschrittene statistische Methoden II (Vertiefung)
Dozent:innen: Dr. Mareike Johanna Hülsemann; Simon Benedikt SchaeferKurzname: 02.132.8110
Kurs-Nr.: 02.132.8110
Kurstyp: Seminar
Voraussetzungen / Organisatorisches
Bitte beachten Sie, dass Sie zwei unterschiedliche inhaltliche Schwerpunkte (Bayesianische Statistik ODER Maschinelles Lernen)wählen können.
Bitte nehmen Sie parallel an der Übung zu R teil, da die Seminare jeweils einen praktischen Programmieranteil in R beinhalten.
Inhalt
Bayesianische Statistik (Kurs/Vertiefung 1, Simon Schaefer) :Über weite Teile der psychologischen Forschung gewinnt die Bayesianische Statistik in den letzten Jahrzehnten zunehmend an Bedeutung und stellt eine wichtige Alternative zum frequentistischen Hypothesentesten dar. Sie ermöglicht unter anderem, Evidenz für die Nullhypothese zu quantifizieren, Wahrscheinlichkeitsverteilungen für Parameter zu schätzen und Vorwissen systematisch in statistische Analysen einzubeziehen.
Dieses Seminar bietet eine Einführung in die bayesianische Denkweise und deren Bedeutung für die moderne psychologische Forschung. Zunächst werden grundlegende Konzepte der Wahrscheinlichkeitstheorie vermittelt, einschließlich des Bayes-Theorems und zentraler Wahrscheinlichkeitsverteilungen. Darauf aufbauend lernen die Teilnehmenden Methoden der bayesianischen Parameterschätzung und des Modellvergleichs kennen und wenden diese auf Daten aus dem psychologischen Kontext an. Das Seminar ist als Kombination aus theoretischen Inhalten und praktischen Coding-Elementen in R konzipiert. Im Wintersemester 26/27 wird die erste Hälfte dieses Seminars Online stattfinden. Ab Januar 2027 finden die Sitzungen dann in Präsenz statt.
Maschinelles Lernen (Kurs/Vertiefung 2, Mareike Hülsemann):
In der Psychologie wollen wir häufig wissen, wie gut ein Prädiktor X ein Kriterium Y vorhersagen kann. Neben der klassischen Regression können wir auch Methoden des maschinellen Lernens nutzen, um solche Fragen zu beantworten. In diesem Seminar lernen Sie verschiedene Methoden des maschinellen Lernens kennen und diskutieren die Unterschiede und Zusammenhänge zu bereits bekannten statistischen Methoden. Die vorgestellten Algorithmen werden durch die praktische Anwendung in R vertieft. Wir konzentrieren uns dabei auf das überwachte und unüberwachte Lernen.
