- Grundlagen der Statistische Analyse im Kontext von Data Science, AI und Künstlicher Intelligenz
- Verständnis für deskriptive und induktive Statistische Analyse als Fundament datengetriebener Entscheidungen
- Einsatz von Python, Pandas, Numpy und Git zur Durchführung von Statistische Analyse in datenbasierten Projekten
- Bezug zur Rolle von Data Scientists im Bereich Artificial Intelligence und analytische Modellierung
Deskriptive Statistik & Datenvisualisierung
- Analyse zentraler Tendenzen, Streuung und Verteilungen in Datensätzen mit Hilfe der Statistische Analyse
- Erstellung visueller Darstellungen mit Matplotlib, Seaborn und Plotly
- Erkennung von Mustern und Trends in strukturierter Data
- Datenvorbereitung und grafische Kommunikation von Ergebnissen der Statistische Analyse
Induktive Statistik & Wahrscheinlichkeitsrechnung
- Hypothesentests, Konfidenzintervalle und Signifikanzniveaus
- Chi-Quadrat-Tests, t-Tests und ANOVA für Data Science Anwendungen
- Modellbasierte Schlussfolgerung und Unsicherheitsbewertung basierend auf Statistische Analyse
- Einbindung von Statistische Analyse in AI-gestützte Entscheidungen und Modellprozesse
Statistische Modellierung & Machine Learning
- Regressionsanalyse (linear, multipel, logistisch) mit statistischem Fokus
- Verknüpfung statistischer Verfahren mit Machine Learning Algorithmen
- Verwendung von Modellgütemaßen und Fehlerkennzahlen
- Integration in Data Science Workflows zur Vorhersage und Klassifikation
Anwendung: Statistik in Data Science Projekten
- Projektbasierte Umsetzung von Statistische Analyse in realen Business-Cases
- Einsatz von Statistische Analyse in der Exploration, Modellbildung und Evaluation
- Agiles Arbeiten mit Fokus auf Transparenz, Reproduzierbarkeit und Data Governance
- Finale Präsentation statistisch fundierter AI-Modelle mit klarer Datenstrategie
Die Statistische Analyse unterstützt datengetriebene Entscheidungen durch deskriptive und induktive Methodenanwendungen mit Python, Pandas und Numpy.