-
Die teilnehmende Person hat Kenntnisse in Python (beispielsweise durch den Besuch des Seminars "Python - Grundlagen")
-
Sie kann ein Python Skript öffnen, editieren und in Spyder oder Jupyter Notebook ausführen
-
Sie kann Daten von der Festplatte mit Python einlesen (pandas)
-
Sie kennt normalverteilte Zufallsvariable und weiss, was eine Varianz/Standardabweichung und ein Erwartungswert ist
Hier sind Sie richtig, wenn Sie ...
-
mit Python Daten verarbeiten wollen, um Risiken früh zu erkennen (Vorhersagemodelle) oder Evidenzen über Wirkungszusammenhänge zu schaffen (Erklärungsmodelle
-
in der Verwaltung, wo Fehlverhalten durch Antragsteller, Dienstleister o.ä. zu befürchten ist,
-
in der Betreuung der Infrastruktur, wo Prozessstörungen möglich sind,
-
in der Finanzverwaltung, um Kostentreiber zu identifizieren usw.
-
Sie ...
-
lernen den theoretischen Hintergrund der Methoden soweit notwendig kennen.
-
beherrschen die statistische Methode der linearen und logistischen Regression und den Bau von Künstlichen Neuronalen Netzen (KNN),
-
können praktische Probleme mit Hilfe der Python Pakete scikit, statsmodels und PyTorch bearbeiten und Prototypen entwickeln.
-
können konkret: Regressionen schätzen und Multi-Layer-Perceptrons trainieren und danach ausrollen
-
begreifen diese mehrschichtigen KNN als Vorstufe von Bilderkennung, Textverarbeitung, großen Sprachmodellen usw.
-
Lineare Regression (t-Test, F-Test, R², Theorem von Gauss Markov u.a.)
-
Logistische Regression (Logit) Theorie (Wald- und LR Test, Konfusionsmatrizen, Eigenschaften von Maximum Likelihood Schätzern)
-
Das Künstliche Neuronale Netz (KNN) in Form des Multi-Layer-Perceptrons und Theorie (u.a. Universal Approximation Theorem)
-
Praktische Übungsfälle:
-
Untersuchung von Stundenlöhnen aus Diskriminierung
-
Ermittlung der wesentlichen Faktoren von Gebrauchtwagenpreisen
-
Vorhersage von finanzieller Sebst- und Fremdschädigung usw.
-
-
Vergleich der Methoden
-
Ausleuchtung der Fallstricke (u.a. Over/Underfitting)
-
Ethische Konsequenzen