Visualisierung umfasst in der Praxis eine Vielzahl von Aufgaben - von der Verteilungsdarstellung bis zur Modelldiagnose. Für Data Scientist:innen verbinden sich diese Aufgaben oft mit klassischen Modellverfahren. Der Kurs leitet diese Visualisierungen aus pandas, matplotlib und Power BI ab und ordnet sie in eine verantwortungsvolle KI-Praxis ein.


!Kursinhalt


!1. Verteilungsdiagnose mit Python
*Histogramme zur Datenverteilung
*Boxplots zur Identifikation von Ausreißern
*Streudiagramme für Zusammenhänge
*Lagemaße und Dispersionsmaße visualisieren


!2. Modellergebnisse darstellen
*Lineare und logistische Regression visuell prüfen
*Trendlinien und Korrelationen aufzeigen
*Mittelwert, Median und Quartile dokumentieren
*Einflussfaktorenanalyse als Plot


!3. Berichte in Power BI
*Statistische Diagramme im Reporting
*DAX-Measures für Kennzahlen
*Best Practices der Datenvisualisierung
*Filterkontexte für Modellperspektiven


!4. Modelle verantwortungsvoll kommunizieren
*KI-Risiken im Reporting transparent machen
*Governance-Strukturen für Modellveröffentlichung
*EU-AI-Act-Anforderungen einordnen
*Stakeholder mit Daten überzeugen


!Berufliche Relevanz


*Klare Aussagen zu Modellgüte und -grenzen
*Übergabe nachvollziehbarer Visuals an Fachbereiche
*Konsistenz zwischen Python- und BI-Auswertungen
*Beitrag zu vertrauenswürdiger KI-Adoption