Peter L. Bühlmann: Katalogdaten im Frühjahrssemester 2017

Name	Herr Prof. Dr. Peter L. Bühlmann
Lehrgebiet	Mathematik
Adresse	Seminar für Statistik (SfS) ETH Zürich, HG G 17 Rämistrasse 101 8092 Zürich SWITZERLAND
Telefon	+41 44 632 73 38
Fax	+41 44 632 12 28
E-Mail	peter.buehlmann@stat.math.ethz.ch
URL	http://stat.ethz.ch/~peterbu
Departement	Mathematik
Beziehung	Ordentlicher Professor

Nummer	Titel	ECTS	Umfang	Dozierende
401-3620-17L	Student Seminar in Statistics: Statistical Inference under Shape Restrictions Number of participants limited to 22. Mainly for students from the Mathematics Bachelor and Master Programmes who, in addition to the introductory course unit 401-2604-00L Probability and Statistics, have heard at least one core or elective course in statistics.	4 KP	2S	F. Balabdaoui, P. L. Bühlmann, M. H. Maathuis, N. Meinshausen, S. van de Geer
Kurzbeschreibung	Statistical inference based on a random sample can be performed under additional shape restrictions on the unknown entity to be estimated (regression curve, probability density,...). Under shape restrictions, we mean a variety of constraints. Examples thereof include monotonicity, bounded variation, convexity, k-monotonicity or log-concavit.
Lernziel	The main goal of this Student Seminar is to get acquainted with the existing approaches in shape constrained estimation. The students will get to learn that specific estimation techniques can be used under shape restrictions to obtain better estimators, especially for small/moderate sample sizes. Students will also have the opportunity to learn that one of the main merits of shape constrained inference is to avoid choosing some arbitrary tuning parameter as it is the case with bandwidth selection in kernel estimation methods. Furthemore, students will get to read about some efficient algorithms that can be used to fastly compute the obtained estimators. One of the famous algoritms is the so-called PAVA (Pool Adjacent Violators Algorithm) used under monotonicity to compute a regression curve or a probability density. During the Seminar, the students will have to study some selected chapters from the book "Statistical Inference under Order Restrictions" by Barlow, Bartholomew, Bremner and Brunk as well as some "famous" articles on the subject.
Voraussetzungen / Besonderes	We require at least one course in statistics in addition to the 4th semester course Introduction to Probability and Statistics and basic knowledge in computer programming. Topics will be assigned during the first meeting.
401-3632-00L	Computational Statistics	10 KP	3V + 2U	M. Mächler, P. L. Bühlmann
Kurzbeschreibung	"Computational Statistics" deals with modern methods of data analysis (aka "data science") for prediction and inference. An overview of existing methodology is provided and also by the exercises, the student is taught to choose among possible models and about their algorithms and to validate them using graphical methods and simulation based approaches.
Lernziel	Getting to know modern methods of data analysis for prediction and inference. Learn to choose among possible models and about their algorithms. Validate them using graphical methods and simulation based approaches.
Inhalt	Das Schliessen von beobachteten Daten auf komplexe Modelle ist ein zentrales Thema der rechnerorientierten Statistik. Die Modelle sind oft unendlich-dimensional und die statistischen Verfahren deshalb Computer-intensiv. Als Grundlage wird die klassische multiple Regression eingeführt. Danach werden einige nichtparametrische Verfahren für die Regression und die Klassifikation vorgestellt: Kernschätzer, glättende Splines, Regressions-/Klassifikationsbäume, additive Modelle, Projection Pursuit und (kurz) Neuronale Netze, wobei einige davon gut interpretierbar und andere für genaue Prognosen geeignet sind. Insbesondere werden auch die Problematik des Fluchs der Dimension und die stochastische Regularisierung diskutiert. Hochdimensionale Modelle werden mit LASSO u.ä. Verfahren regularisiert. Nebst dem Anpassen eines (komplexen) Modells werden auch die Evaluation, Güte und Unsicherheit von Verfahren und Modellen anhand von Resampling, Bootstrap und Kreuz-Validierung behandelt. In den Übungen wird mit dem Statistik-Paket R (https://www.R-project.org) gearbeitet. Es werden dabei auch praxis-bezogene Probleme bearbeitet. Aktive Teilnahme an den Übungen wird sehr empfohlen. Detailinformation sind auf https://stat.ethz.ch/lectures/ (-> "Computational Statistics").
Skript	lecture notes are available online; see http://stat.ethz.ch/lectures/ (-> "Computational Statistics").
Literatur	(see the link above, and the lecture notes)
Voraussetzungen / Besonderes	Basic "applied" mathematical calculus (incl. simple two-dimensional) and linear algebra (including Eigenvalue decomposition) similar to two semester "Analysis" in an ETH (math or) engineer's bachelor. At least one semester of (basic) probability and statistics, as e.g., taught in an ETH engineer's or math bachelor. Programming experience in either a compiler-based computer language (such as C++) or a high-level language such as python, R, julia, or matlab. The language used in the exercises and the final exam will be R (https://www.r-project.org) exclusively. If you don't know it already, some extra effort will be required for the exercises.
401-5000-00L	Zurich Colloquium in Mathematics	0 KP		P. L. Bühlmann, M. Burger, S. Mishra, R. Pandharipande, Uni-Dozierende
Kurzbeschreibung	The lectures try to give an overview of "what is going on" in important areas of contemporary mathematics, to a wider non-specialised audience of mathematicians.
Lernziel
401-5620-00L	Research Seminar on Statistics	0 KP	2K	P. L. Bühlmann, L. Held, T. Hothorn, D. Kozbur, M. H. Maathuis, N. Meinshausen, S. van de Geer, M. Wolf
Kurzbeschreibung	Forschungskolloquium
Lernziel
401-5640-00L	ZüKoSt: Seminar on Applied Statistics	0 KP	1K	M. Kalisch, P. L. Bühlmann, R. Furrer, L. Held, T. Hothorn, M. H. Maathuis, M. Mächler, L. Meier, N. Meinshausen, M. Robinson, C. Strobl, S. van de Geer
Kurzbeschreibung	5 bis 6 Vorträge zur angewandten Statistik.
Lernziel	Kennenlernen von statistischen Methoden in ihrer Anwendung in verschiedenen Gebieten, besonders in Naturwissenschaft, Technik und Medizin.
Inhalt	In 5-6 Einzelvorträgen pro Semester werden Methoden der Statistik einzeln oder überblicksartig vorgestellt, oder es werden Probleme und Problemtypen aus einzelnen Anwendungsgebieten besprochen. 3 bis 4 der Vorträge stehen in der Regel unter einem Semesterthema.
Skript	Bei manchen Vorträgen werden Unterlagen verteilt. Eine Zusammenfassung ist kurz vor den Vorträgen im Internet unter http://stat.ethz.ch/talks/zukost abrufbar. Ankündigunen der Vorträge werden auf Wunsch zugesandt.
Voraussetzungen / Besonderes	Dies ist keine Vorlesung. Es wird keine Prüfung durchgeführt, und es werden keine Kreditpunkte vergeben. Nach besonderem Programm. Koordinator M. Kalisch, Tel. 044 632 3435 Lehrsprache ist Englisch oder Deutsch je nach ReferentIn. Course language is English or German and may depend on the speaker.