Sophie Potts
Als Teil des Data Science Hubs habe ich an der Erstellung unser Webapp-Sammlung mitgewirkt.
Forschungsinteressen
- Methoden:
- Statistische Lernverfahren, z.B. Gradientenboosting für Regressionsmodelle
- Maschinelles Lernen
- Regressionsanalysen, z.B. gemischte Modelle, Generalisierte Additive Modelle für Lage- und Skalenparameter (GAMLSS)
- Joint Models für longitudinale and Ereigniszeitdaten
- (Quantitative) Methoden der empirischen Sozialforschung
- Soziale Ungleichheitsforschung
- Arbeitsmarktsoziologie
Anwendungsgebiete:
Lehre
- Praktikum Statistische Modellierung (SoSe 2024)
- Generalized Regression (SoSe 23, SoSe 24)
- Current Topics in Applied Statistics (WiSe 23/24)
- Grundlagen Bayesianische Statistik und statistisches Lernen (WiSe 22/23, WiSe 23/24)
Informationen zum Inhalt der Lehrveranstaltungen finden sie hier oder in den Modulbeschreibungen.
Angebotene Abschlussarbeiten finden sich hier oder mit persönlicher Absprache. Ich unterstütze gern bei der Ausarbeitung eigener Themen mit Bezug auf meine Forschungsinteressen, sowohl hinsichtlich der Methodenwahl als auch der Datensatzfindung.
Ausbildung
- 2019-2022: Masterstudium Angewandte Statistik, M.Sc., Georg-August Universität Göttingen
- 2017-2019: Masterstudium Soziologie, M.A., Universität Leipzig
- 2014-2017: Bachelorstudium Soziologie, B.A., Universität Leipzig
Publikationen
Vorträge und Poster
- Vortrag IWSM 2023: Prediction-based variable selection for component-wise gradient boosting
- Poster DAGStat 2022: Prediction-based variable selection for component-wise gradient boosting