This page in EN
Teilleistung
Probabilistic Time Series Forecasting Challenge [T-WIWI-111387]
Teilleistungsart
Prüfungsleistung anderer ArtLeistungspunkte
4.5Turnus
UnregelmäßigVersion
2Verantwortung
Einrichtung
- KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von
- Modul Ökonometrie und Statistik II | Wirtschaftsingenieurwesen (M.Sc.)
- Modul Ökonometrie und Statistik I | Wirtschaftsingenieurwesen (M.Sc.)
- Modul Ökonometrie und Statistik II | Technische Volkswirtschaftslehre (M.Sc.)
- Modul Ökonometrie und Statistik I | Technische Volkswirtschaftslehre (M.Sc.)
- Modul Ökonometrie und Statistik II | Digital Economics (M.Sc.)
- Modul Ökonometrie und Statistik I | Digital Economics (M.Sc.)
- Modul Statistics & Econometrics | Digital Economics (M.Sc.)
- Modul Ökonometrie und Statistik II | Wirtschaftsinformatik (M.Sc.)
- Modul Ökonometrie und Statistik I | Wirtschaftsinformatik (M.Sc.)
- Modul Ökonometrie und Statistik II | Informationswirtschaft (M.Sc.)
- Modul Ökonometrie und Statistik I | Informationswirtschaft (M.Sc.)
- Modul Ökonometrie und Statistik II | Wirtschaftsmathematik (M.Sc.)
- Modul Ökonometrie und Statistik I | Wirtschaftsmathematik (M.Sc.)
Veranstaltungen
| Kursnummer | Name | SWS | Typ |
|---|---|---|---|
| WS22 2500080 | Probabilistic Time Series Forecasting Challenge | 2 | Übung (Ü) |
| WS23 2500080 | Probabilistic Time Series Forecasting Challenge | 2 | Übung (Ü) |
| WS23 2500081 | Probabilistic Time Series Forecasting Challenge | Projekt (PRO) | |
| WS21 00080 | Probabilistic Time Series Forecasting Challenge | Projekt (PRO) | |
| WS22 2500081 | Probabilistic Time Series Forecasting Challenge | Projekt (PRO) |
Prüfungen
| Kursnummer | Name | Termine |
|---|---|---|
| WS22 2500081 | Probabilistic Time Series Forecasting Challenge | |
| WS22 2500081 | Probabilistic Time Series Forecasting Challenge | |
| WS22 2500081 | Probabilistic Time Series Forecasting Challenge |
Erfolgskontrolle(n)
Prüfungsleistung anderer Art. Notwendige Voraussetzungen zum Bestehen des Kurses:
- Wöchentliche Abgabe statistischer Prognosen während des Semesters (mit Ausnahme der Weihnachtsferien),
- Abgabe eines Abschlussberichts (10-15 Seiten) am Ende des Semesters zu den verwendeten Prognosemethoden sowie deren statistischer Evaluation.
Die Benotung erfolgt auf Grundlage des Abschlussberichts.
Voraussetzungen
Gute methodische Kenntnisse in Statistik und Data Science.
Gute Kenntnisse in angewandter Datenanalyse, inkl. Programmierkenntnisse in R, Python o.Ä.
Kenntnisse in Zeitreihenanalyse sind hilfreich, aber nicht zwingend erforderlich.
Anmerkungen
Die Veranstaltung ist teilnahmebeschränkt. Die Auswahl der Teilnehmenden erfolgt über das WIWI-Portal.