Studienziele Modul 2
Die Teilnehmenden wenden grundlegende Methoden der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung an. Sie verstehen die Konzepte der bedingten Wahrscheinlichkeit und wenden das Theorem von Bayes auf praktische Fragestellungen an. Die Teilnehmenden kennen den Unterschied zwischen überwachtem und unüberwachtem Lernen und wenden Verfahren aus dem Data Mining – Assoziation, Klassifikation und Clusterung – kompetent an. Sie beurteilen Modelle anhand geeigneter Gütemaße und interpretieren Ergebnisse kritisch.
Die Teilnehmenden lernen kennen die Möglichkeiten und Grenzen der KI im Zusammenhang mit der Datenanalyse kennen und erhalten Wissen über algorithmische Verzerrung, Halluzinationen und regulatorische Rahmenbedingungen.
Technologisch steht R im Mittelpunkt. Die Teilnehmenden werden ermutigt, R-Programme mithilfe von KI-Werkzeugen in Python zu übersetzen und dabei die konzeptionelle Übertragbarkeit zu reflektieren.
Zugangsvoraussetzungen
- Abschluss eines Hochschulstudiums oder eines vergleichbaren Studiums an einer Berufsakademie (BA)
- mindestens ein Jahr für die Weiterbildung geeignete Berufserfahrung
- Vorkenntnisse in Statistik (Deskriptive Statistik, Wahrscheinlichkeitsrechnung) sind von Vorteil
- Interesse an der Teilnahme durch berufliche Erfahrungen in einem der Themenfelder (Vorverarbeitung, Datenanalyse, Ergebniskommunikation).
