Statistik: Statistik für Data Science


Statistik bildet die Grundlage für Data-Science- und Machine-Learning-Prozesse. Sie unterstützt die Beschreibung, Prüfung und Strukturierung von Daten, bevor Modelle entstehen oder bewertet werden. SQL liefert strukturierte Datenschnitte, Power Query sorgt für Transformationen, und Python ermöglicht explorative Analysen. Statistische Kennzahlen - etwa Verteilungen, Korrelationen oder Trendlinien - helfen, Muster zu identifizieren und fehlerhafte Werte zu erkennen. Ziel ist eine nachvollziehbare Entscheidungsbasis, die für Modellbildung, Modellbewertung und weiterführende Analysen nutzbar ist.

!Datenbasis und Strukturierung
*SQL-Abfragen zur Vorbereitung konsistenter Datenbestände
*Power Query zur Transformation und Typanpassung
*Erkennen fehlender oder fehlerhafter Werte mithilfe statistischer Kennzahlen
*EDA in Python zur ersten Analyse von Mustern und Verteilungen

!Statistik in der Datenanalyse
*Unterscheidung zentraler Verteilungen wie Normal- oder Gleichverteilung
*Interpretation von Lage- und Streuungsmaßen zur Bewertung von Daten
*Korrelationen und Trendlinien zur Prüfung möglicher Einflussfaktoren
*Ausreißererkennung als Grundlage für stabile Analysen

!Statistik für Machine Learning
*Überprüfung von Annahmen für lineare und logistische Regressionsverfahren
*Vorbereitung der Daten für Train/Validation/Test-Splits
*Auswahl passender Metriken wie MSE, R2, Accuracy oder F1-Score
*Bewertung der Datenqualität für Feature Engineering und Modelltraining

!Dokumentation und Qualität
*Transparente Beschreibung statistischer Entscheidungen
*Versionierung und strukturierte Ablage z. B. über GitHub Pages
*Validierung der Ergebnisse über Power-BI-Visualisierungen
*Prüfung auf Konsistenz und Reproduzierbarkeit aller Analyseschritte