- Verstehen der Relevanz von Statistik für den gesamten Lebenszyklus der Data Science
- Unterscheidung zwischen qualitativen und quantitativen Datentypen in der Datenanalyse
- Anwendung von sowohl beschreibender als auch schließender Statistik in Projekten der Datenwissenschaft
Statistik und Explorative Datenanalyse (EDA)
- Zusammenfassung von Daten mit Mittelwert, Median, Modalwert und Varianz
- Visualisierung von Datenmustern mit statistischen Techniken in der Data Science
- Identifikation von Ausreißern und Daten-Trends in großen Datenmengen
Wahrscheinlichkeitslehre und Datenverteilungen
- Grundlagen der Wahrscheinlichkeit für die Data Science
- Verständnis von Normal-, Binomial- und Poisson-Verteilungen in der Datenanalyse
- Anwendung von Dichtefunktionen und Kurven auf Daten
Inferenzstatistik und Hypothesentests in Datenwissenschaft
- Nutzung von Konfidenzintervallen und Signifikanzniveaus bei datengestützten Entscheidungen
- Verwendung von T-Tests, ANOVA und Chi²-Tests für Hypothesen in der Data Science
- Deutung von p-Werten und Verständnis der Fehlerrisiken bei Datenanalysen
Regressionsanalyse zur Vorhersage in der Datenwissenschaft
- Ausführung von einfachen und multiplen Regressionsanalysen
- Unterscheidung von Korrelation und Kausalität im Data Science-Kontext
- Modellevaluation durch Residuenanalyse und Regressionsmetriken
Statistik für maschinelles Lernen und künstliche Intelligenz
- Feature-Auswahl und Dimensionsreduktion durch statistische Methoden
- Bewertung von Modellen mittels statistischer Messgrößen
- Einsatz von Statistik zur Validierung von KI-basierten Data Science-Modelle