Servicenavigation


Sie sind hier:

Meldungen-Archiv

WM-Vorhersage

Wer gewinnt die Fußball-Weltmeisterschaft? Mit dieser Frage hat sich u.a. Juniorprofessor Andreas Groll befasst. Seine Modellvorhersagen zeigen beispielsweise: Würde die deutsche Nationalelf das Viertelfinale erreichen, wäre sie (ab diesem Zeitpunkt) Favorit für den Titel.

Das vollständige Paper kann auf arXiv.org nachgelesen werden.

 

Statistik im Beruf

07.06.2018 PD Dr. Christine Müller-Graf (Fachgruppenleitung Epidemiologie, Statistik und mathematische Modellierung, Bundesinstitut für Risikobewertung, Berlin)

Titel: "Aufgabenfelder für Biometriker am Bundesinstitut für Risikobewertung"

Die Aufgaben und unterschiedlichen Arbeitsbereiche am Bundesinstitut für Risikobewertung werden beschrieben. Mögliche Arbeitsbereiche von Statistikern werden aufgezeigt und einige Beispiele unserer Arbeit vorgestellt. Das Bundesinstitut für Risikobewertung bietet interessante, abwechslungsreiche Möglichkeiten für Statistiker, die von der Analyse von Studiendaten über Stichprobenberechnungen bis zu Bayesianischen Modellen, PBPK-Modellen, Netzwerkanalysen, bioinformatischen Auswertungen und Machine Learning reichen.

Der Vortrag findet am 07.06.2018 um 16.15 Uhr in Raum M/E 21 statt.

 

SFB 876 Vortrag

Title: Just Machine Learning

Speaker: Tina Eliassi-Rad, Northeastern University Boston

When: Jun 5, 2018 4:15:00 PM

Where: OH 16, 205

Fairness in machine learning is an important and popular topic these days. Most papers in this area frame the problem as estimating a risk score. For example, Jack's risk of defaulting on a loan is 8, while Jill's is 2. These algorithms are supposed to produce decisions that are probabilistically independent of sensitive features (such as gender and race) or their proxies (such as zip codes). Some examples here include precision parity, true positive parity, and false positive parity between groups in the population. In a recent paper, Kleinberg, Mullainathan, and Raghavan (arXiv:1609.05807v2, 2016) presented an impossibility result on simultaneously satisfying three desirable fairness properties when estimating risk scores with differing base rates in the population. I take a boarder notion of fairness and ask the following two questions: Is there such a thing as just machine learning? If so, is just machine learning possible in our unjust world? I will describe a different way of framing the problem and will present some preliminary results

link

 

 

Fakultät Statistik bei "DORTBUNT!"

Unter dem Motto „Eine Stadt. Viele Gesichter.“ zeigt die Stadt Dortmund seit 2016 ihre Vielfalt beim Stadtfest "DORTBUNT!". In diesem Jahr war auch die Fakultät Statistik am Stand der TU vertreten. Unter dem Motto "Statistische Denkfallen im Alltag" konnte man erfahren, in welchen ganz alltäglichen Situationen man seiner Intuition nicht unbedingt trauen sollte. Des Weiteren wurde die Mitmach-Aktion "Schlag den Kriging" angeboten, bei der die eigenen Fähigkeiten als Gold- bzw. Schokoladensucher unter Beweis gestellt werden konnten.

(Bildnachweis: Oliver Schaper/TU Dortmund)

 

Bericht: Absolventenfeier 2018

Am 27. April 2018 wurden die diesjährigen Absolventinnen und Absolventen der Fakultät Statistik anlässlich ihres Abschlusses geehrt. Einen ausführlichen Bericht und Fotos gibt es hier.

 

 

Informationsveranstaltung: Die zweite Entscheidung

Wann und Wo: 06. Juni 2018, 15:00-17:00 Uhr, FH Dortmund, Emil-Figge-Straße 38b, Seminarräume 119 und 120

Mehr Informationen

 

Vortrag SFB 876

Title: Consistent k-Clustering

Speaker: Silvio Lattenzi (Google)

Where: OH 14, E23

When: May 24, 2018 4:15 PM

The study of online algorithms and competitive analysis provide a solid foundation for studying the quality of irrevocable decision making when the data arrives in an online manner. While in some scenarios the decisions are indeed irrevocable, there are many practical situations when changing a previous decision is not impossible, but simply expensive. In this work we formalize this notion and introduce the consistent k- clustering problem. With points arriving online, the goal is to maintain a constant approximate solution, while minimizing the number of reclusterings necessary. We prove a lower bound, showing that O(k log n) changes are necessary in the worst case, for a wide range of objective functions. On the positive side, we give an algorithm that needs only O(k^2 log^4 n) changes to maintain a constant competitive solution. This is an exponential improvement on the naive solution of reclustering at every time step. Finally, we show experimentally that our approach performs much better than the theoretical bound, with the number of changes growing approximately as O(log n).

Joint work with Sergei Vassilvitskii.