Artificial Intelligence: Statistics

Der Schwerpunkt liegt auf statistisch sauberen Auswertungen von Modellen. Artificial Intelligence wird auf klare Hypothesen, Variablenbildung und belastbare Metriken abgebildet. Teilnehmende übertragen Text- und Tabellendaten in prüfbare Kennzahlen, planen Stichproben und interpretieren Unsicherheiten. Artificial Intelligence bleibt nachvollziehbar: Modelle werden mit Konfidenzintervallen, Resampling-Verfahren und fairen Vergleichen beurteilt. Begriffe wie Konfidenzintervall, Kreuzvalidierung und McNemar-Test werden präzise erklärt, sodass Entscheidungen belastbar begründet werden können.

!Inhaltsübersicht
!1. Variablenbildung - vom Signal zur Kennzahl
!2. Artificial Intelligence - Stichproben, Tests, Intervalle
!3. Modellvergleich - Fairness und Stabilität

!1. Von Daten zu Variablen
*Dokumentlänge, TF-IDF, Embeddings als numerische Größen
*Skalierung/Regularisierung, Umgang mit Klassenungleichgewicht
*Saubere Train/Validation/Test-Trennung

!2. Artificial Intelligence - Inferenz und Tests
*Stichprobenplanung, Kreuzvalidierung, Resampling
*Konfidenzintervalle für F1/ROC-AUC interpretieren
*Hypothesentests für Modellunterschiede (z. B. McNemar)

!3. Vergleich und Robustheit
*Bias-Checks, Fairness-Indikatoren, Schwellenkalibrierung
*Bootstrapping für Stabilität von Kennzahlen
*Berichtswesen: Tabellen, Diagramme, nachvollziehbare Texte