• Einführung in die Programmierung mit Python
• Statistische Modelle (sklearn, statsmodels, etc. und eigene Implementierung)
• Optimierung mittels Gradienten-basierter Algorithmen (Scipy, Tensorflow, Pytorch)
• Matrix-Zerlegungen mit Anwendungsbeispielen wie z.B. der Hauptkomponentenanalyse
• Zugang zu Daten mittels APIs und Web Scraping
• Digitales Reporting mit Hilfe einer eigens programmierten Web Applikation
• Abschlussprojekt: Datenbezug, Analyse mittels eines Modells, Reporting der Ergebnisse durch eine eigene Web-App

Empfohlene Literatur

• Deep Learning (2016) - Goodfellow, I., Bengio, Y., Courville, A.; MIT Press
• The Elements of Statistical Learning (2017) - Hastie, T., Tibshirani, R., Friedman, J.; Springer
• Hands-On Machine Learning with Scikit-Learn, Keras & Tensorflow (2017) - Geron, A.; Wiley
• Learn Python Programming (2018) - Romano, F.; Packt Publishing Ltd.
• Web Scraping with Python (2018) - Ryan Mitchell, O'Reilly Media, Inc. 

Studierende können nach erfolgreicher Teilname am Kurs fortgeschrittene Datenanalysen unter Verwendung der Programmiersprache Python durchführen und Außenstehende in geeigneter Art und Weise über die relevanten Ergebnisse der Auswertungen informieren. Dies beinhaltet alle Einzelschritte vom Sammeln eigener Daten, der Identifikation und Durchführung eigener Analysen bis hin zum zugänglich machen der Ergebnisse. Zusätzlich erhalten Kursteilnehmer*innen fundierte Kenntnisse in die statistische Modellierung von Finanzmarktdaten. Neben spezifischen Anwendungen wird die allgemeine Kompetenz des selbständigen Lernens neuer statistischer Modelle geschult.

Lehrform

• Interaktive Vorlesungen
• Interaktive Übungseinheiten
• Digitale Lehrunterlagen zur Programmierung mit Python und zu den methodischen Grunlagen des Kurses