Q
Interactive Quizzes
1
Grundlagen & Empirisches Fitting
Materialien
Themen-Module
Topic 1: DS Grundlagen
Topic 2: Strategie
Topic 3: Pipeline & EDA
Topic 4: Einfache Regression
Topic 5: Multiple Regression
Topic 6: Overfitting
MC Erweitert
Themen
Data Science Definition
CRISP-DM
R & Tidyverse
EDA
Lineare Regression
Multiple Regression
R-squared
Overfitting
Charts
Lernziele
- Data Science als Schnittmenge von Statistik, Informatik und Domänenwissen einordnen
- Projekte entlang des CRISP-DM-Zyklus strukturieren
- R-Projekte anlegen und relative Pfade nutzen
- Tidyverse-Code interpretieren und modifizieren
- Einfache und multiple Regressionen interpretieren
- Overfitting und In-/Out-of-Sample-Leistung unterscheiden
2
Inferenz, Unsicherheit & Entscheidungslogik
Materialien
Themen-Module
Topic 1: Inferenz
Topic 2: Resampling
Topic 3: Tests
Topic 4: Fehlertypen
Topic 5: Multiple Testing
Topic 6: Effektstärken
MC Erweitert
Themen
Statistische Inferenz
Bootstrapping
Permutationstest
t-Test & ANOVA
Typ-I/II Fehler
p-Hacking
FDR
Cohen's d
Charts
Lernziele
- Inferenz als Methode zur Messung von Unsicherheit erklären
- Bootstrapping und Permutationstests praktisch umsetzen
- Traditionelle Tests einordnen und Regressionstabellen interpretieren
- Fehler 1. und 2. Art als ökonomische Risiken bewerten
- p-Hacking erkennen und FDR anwenden
- Statistische Signifikanz von praktischer Relevanz unterscheiden
3
Komplexität, Kausalität & Generalisierung
Materialien
Vorlesung (Deep)
Kompakt
Einfach (Beginner)
Handout
Vollständige Folien
Zusammenfassung
MC-Fragen
R-Code
Themen-Module
Topic 1: BLUE
Topic 2: Multikollinearität
Topic 3: Bias-Varianz
Topic 4: Regularisierung
Topic 5: Kreuzvalidierung
Topic 6: Kausalität
MC Erweitert
Themen
BLUE-Eigenschaften
Multikollinearität
Bias-Varianz-Tradeoff
Lasso & Ridge
Kreuzvalidierung
Kausalität
A/B-Testing
Logistische Regression
Charts
Lernziele
- Multikollinearität erkennen und Auswirkungen erklären
- BLUE-Eigenschaften konzeptionell einordnen
- Kreuzvalidierung und Regularisierung erklären
- Korrelation von Kausalität unterscheiden
- A/B-Tests als kausale Inferenz verstehen
- Logistische Regression von OLS abgrenzen