Dies ist der Moodle-Kurs zur Vorlesung "Mathematik E4" im Wintersemester 21/22.
- Lehrende(r): Agnes Lamacz
Kursbereich: Elektrotechnik und Informationstechnik
Suchergebnisse: 1767
Dies ist der Moodle-Kurs zur Vorlesung "Mathematik E4" im Wintersemester 22/23.
- Lehrende(r): Agnes Lamacz
Kursbereich: Elektrotechnik und Informationstechnik
Liebe Studentinnen und Studenten.
im Kurs werden Ihnen mathematische Grundlagen sowie erweiterte Kenntnisse in der beschreibenden und schließenden Statistik vermittelt. Thematische Schwerpunkte werden sein:
1. Terme und Gleichungen, Graphische Darstellung von Funktionen, Umgang mit Zahlenwerten
2. Statistische Kennwerte, Datenverteilung, Diagramme und Kurven, Statistische Zusammenhänge, Interpretation von Korrelationsmaßen.
Der Kurs stellt eine Mischung aus Vermittlung (Vorlesung) und Üben (gemeinsames Lösen von Aufgaben) dar. Neben der Präsenzveranstaltung ist ein Moodle-Kurs freigeschaltet, in dem Sie parallel und auch nach der letzten Kurssitzung in verschiedenen Formaten weiter üben können.
Stefan Wachner
- Lehrende(r): Finn Aaron Convent
- Lehrende(r): Katrin Maike Rinaldi
- Lehrende(r): Stefan Wachner
- Lehrende(r): Stefan Wachner
Kursbereich: Soziologie
Moodlekurs für die Vorlesung und Übung Mathematikgeschichte im Studiengang Bachlor/Master Lehramt HRSGe
Einschreibeschlüssel wird nach Rücksprache bekannt gegeben.
- Lehrende(r): Bärbel Barzel
- Lehrende(r): Oliver Wagener
Kursbereich: Didaktik der Mathematik
Hier finden Sie alle Informationen und Materialien zur Vorlesung "Mathematiklernen in substanziellen Lernumgebungen" im WS 22/23
- Lehrende(r): Florian Bastkowski
- Lehrende(r): Svenja Bruhn
- Lehrende(r): Christian Büscher
- Lehrende(r): Sarah Constanze Erbslöh
- Lehrende(r): Karolina Hasebrink
- Lehrende(r): Wiebke Jung
- Lehrende(r): Merve Kaya-Güngör
- Lehrende(r): Christian Rütten
- Lehrende(r): Ulrich Schwätzer
- Lehrende(r): Theresa Anna Spree
- Lehrende(r): Paul Tyrichter
- Lehrende(r): Martina Velten
- Lehrende(r): Stephanie Weskamp-Kleine
Kursbereich: Didaktik der Mathematik
Hier finden Sie alle Informationen und Materialien zur Vorlesung "Mathematiklernen in substanziellen Lernumgebungen" im WS 23/24
- Lehrende(r): Florian Bastkowski
- Lehrende(r): Jennifer Bertram
- Lehrende(r): Svenja Bruhn
- Lehrende(r): Christian Büscher
- Lehrende(r): Annabell Gutscher
- Lehrende(r): Karolina Hasebrink
- Lehrende(r): Wiebke Jung
- Lehrende(r): Merve Kaya-Güngör
- Lehrende(r): Britta-Kornelia Müller
- Lehrende(r): Christian Rütten
- Lehrende(r): Sabine Schorein
- Lehrende(r): Ulrich Schwätzer
- Lehrende(r): Martina Velten
Kursbereich: Didaktik der Mathematik
Hier finden Sie alle Informationen und Materialien zur Vorlesung "Mathematiklernen in substanziellen Lernumgebungen" im WS 24/25
- Lehrende(r): Florian Bastkowski
- Lehrende(r): Jennifer Bertram
- Lehrende(r): Svenja Bruhn
- Lehrende(r): Christian Büscher
- Lehrende(r): Annabell Gutscher
- Lehrende(r): Karolina Hasebrink
- Lehrende(r): Wiebke Jung
- Lehrende(r): Merve Kaya-Güngör
- Lehrende(r): Britta-Kornelia Müller
- Lehrende(r): Christian Rütten
- Lehrende(r): Ulrich Schwätzer
- Lehrende(r): Martina Velten
- Lehrende(r): Alina Vonstein
Kursbereich: Didaktik der Mathematik
"Mathematische Algorithmen der Informatik"
2 VO + 2 ÜB, 6 Credits
2 VO + 2 ÜB, 6 Credits
Dozent:
Alexander Lewintan Die Veranstaltungen beginnen in der ersten Vorlesungswoche.
Die Übungsblätter (auch für die erste Woche) werden in der Moodle-Gruppe zum Download bereitstehen.
- Lehrende(r): Alexander Lewintan
Kursbereich: Mathematik
Es werden nicht nur klassische statistische Methoden, wie die Regressions- und Varianzanalyse, vorgestellt, sondern auch moderne Verfahren des maschinellen Lernens. Fast alle diese Methoden lassen sich auf einige wenige statistische Grundprinzipien zurückführen, nämlich auf das Maximum-Likelihood-Verfahren, den Likelihood-Quotiententest und den Bayes-Ansatz. Daher setzen wir uns zu Beginn der Vorlesung intensiv mit diesen Grundprinzipien in einfachen statistischen Modellen auseinander.
- Lehrende(r): Denis Belomestny
- Lehrende(r): Tatiana Orlova
Kursbereich: Mathematik
Es werden nicht nur klassische statistische Methoden, wie die Regressions- und Varianzanalyse, vorgestellt, sondern auch moderne Verfahren des maschinellen Lernens. Fast alle diese Methoden lassen sich auf einige wenige statistische Grundprinzipien zurückführen, nämlich auf das Maximum-Likelihood-Verfahren, den Likelihood-Quotiententest und den Bayes-Ansatz. Daher setzen wir uns zu Beginn der Vorlesung intensiv mit diesen Grundprinzipien in einfachen statistischen Modellen auseinander.
- Lehrende(r): Denis Belomestny
- Lehrende(r): Tatiana Orlova
Kursbereich: Mathematik