Data Analytics mit Statistik in Python

Statistik-Grundlagen
Beginnen Sie Ihre Reise in die Datenanalyse mit einem fundierten Überblick über Datentypen und Strukturen. Meistern Sie die Grundprinzipien des Studiendesigns, indem Sie lernen, wie Sie Zielgruppen definieren, repräsentative Stichproben auswählen und die Wahl zwischen experimentellen und Beobachtungsstudien treffen. Verstehen Sie außerdem die Rolle der Randomisierung bei der Minimierung von Verzerrungen, um genaue und aussagekräftige Analyseergebnisse sicherzustellen.

Explorative Datenanalyse
Erlernen Sie, wie Sie Daten in Python effektiv visualisieren. Wir behandeln grundlegende bis fortgeschrittene Techniken: von der Erstellung und Interpretation von Kontingenztabellen, Balken-, Streu-, Histogrammen und Liniendiagrammen bis hin zu Boxplots. Diese Methoden ermöglichen es Ihnen, Vergleiche anzustellen und Trends zu analysieren. Darüber hinaus wird die Konzeption und Implementierung von Dashboards behandelt, die es ermöglichen, komplexe Datenansichten zu vereinfachen und entscheidungsrelevante Informationen übersichtlich darzustellen.

Inferenzstatistik
Vertiefen Sie Ihr Verständnis der statistischen Inferenz, einschließlich der Erstellung von Konfidenzintervallen, der Durchführung und Auswahl geeigneter Hypothesentests, sowie der Anwendung von A/B-Tests. Diese Kenntnisse ermöglichen es Ihnen, fundierte Entscheidungen auf Basis von Stichprobendaten zu treffen und die Wirksamkeit von zwei Varianten objektiv zu vergleichen.

Regressionsanalysen
Erfahren Sie, wie die Modellierung von Datenbeziehungen durch Regressionsanalyse erfolgt. Es wird vermittelt, wie moderne Regressionsmodelle zur Erstellung von Vorhersagen genutzt werden. Die Wichtigkeit von Regressionskoeffizienten und dem Bestimmtheitsmaß R-Quadrat wird erläutert, ebenso wie die Bewertung und Verbesserung der Modellqualität.

Klassifikationsanalysen
Entdecken Sie, wie man effektive Klassifikationsmodelle entwickelt und dabei Herausforderungen wie Modellüberanpassung und Klassenungleichgewicht meistert. Sie werden in die Funktionsweise und Anwendung von Algorithmen wie logistischer Regression, Entscheidungsbäumen, Random Forests, Boosted Trees Regression und Support Vector Machines eingeführt, um komplexe Klassifizierungsprobleme zu adressieren. Zudem werden Techniken zur Leistungsbewertung von Modellen, einschließlich der Konfusionsmatrix, Genauigkeit (Precision), Trefferquote (Recall) und dem F1-Score, behandelt.