Grundlagen in Mathematik und Statistik – eLearning
450,00 EUR
- 3 hours
Entwickeln Sie ein starkes analytisches Denkvermögen mit dem „Maths & Statistics Foundation Training“, das darauf ausgelegt ist, zentrale mathematische und statistische Konzepte für praktische Anwendungen zu vereinfachen. Dieser Kurs hilft Ihnen, Sicherheit im Umgang mit Daten zu gewinnen, indem Sie wesentliche Themen wie deskriptive Statistik, Wahrscheinlichkeitsrechnung, Verteilungen sowie grundlegende mathematische Techniken meistern, die in der Analytik und bei datenbasierten Entscheidungen eingesetzt werden.
Hauptfunktionen
Sprache
Kurs und Materialien auf Englisch
Stufe
Anfänger- bis Mittelstufenniveau
Zugriff
1 Jahr Zugang zur Lernplattform
3 Stunden Video-on-Demand
mit über 10 Stunden empfohlener Lernzeit
18 geführte praktische Übungen
4 automatisch bewertete Prüfungen
33 Wiederholungsquizze
1 Umfassende Aufgaben
Zertifikat
Bescheinigung über den Abschluss des Programms enthalten
Lernergebnisse
Am Ende dieses Kurses werden Sie Folgendes verstehen können:
Grundlegend
Beginnen Sie mit grundlegenden Konzepten wie Mittelwert, Median und Modus und untersuchen Sie, wie Skalierung und Verschiebung die Daten beeinflussen.
Regression
Verschaffen Sie sich ein Verständnis der Regressionsanalyse und des Konzepts des Root Mean Square Error (RMSE).
Datenwissenschaft
Entdecken Sie, wie Mathematik und Statistik in Data Science, Machine Learning und Business Intelligence angewendet werden.
ANOVA
Lerne die Varianzanalyse (ANOVA) und ihre praktischen Anwendungen kennen.
Hypothese
Lerne die Grundlagen der Hypothesentests, einschließlich T-Test und T-Verteilung.
Kurszeitplan
Deskriptive Statistik
Lektion 01
- Mittelwert, Median, Modus
- Mittelwert vs. Median
- Schiefe
- Übungen zur Schiefe
- Lösung zur Schiefe
- Spannweite und IQR
- Stichprobe vs. Grundgesamtheit
- Varianz und Standardabweichung
- Auswirkung von Skalierung und Verschiebung
- Statistische Momente
Verteilung
Lektion 02
- Was ist eine Verteilung?
- Normalverteilung
- Z-Werte
- Übung – Normalverteilung
- Lösung – Normalverteilung
Wahrscheinlichkeitstheorie
Lektion 03
- Grundlagen der Wahrscheinlichkeitsrechnung und grundlegende Konzepte
- Additions- und Multiplikationsregeln mit Übungen und Lösungen
- Der Satz von Bayes und angewandte Beispiele
- Erwartungswert mit Übungsaufgaben
- Gesetz der großen Zahlen
- Zentraler Grenzwertsatz (Theorie, Intuition, Herausforderungen und Übungen)
- Binomial- und Poisson-Verteilungen
- Wahrscheinlichkeitsrechnung in der Praxis
Hypothesentest
Lektion 04
- Einführung in Hypothesentests und ihre Rolle in der Data Science
- Verständnis von Hypothesen, Signifikanzniveau und p-Werten
- Fehler 1. Art & Fehler 2. Art
- Konfidenzintervalle und Fehlermarge
- Stichprobengrößenschätzung und statistische Power
- Schritte zur Durchführung eines Hypothesentests
- Übungsaufgabe und Lösung
- T-Test und T-Verteilung
- Anteilstest
- Beziehungen zwischen P–Z-Schlüsselwerten
Regression
Lektion 05
- Einführung in die Regressionsanalyse
- Lineare Regression und Korrelationskoeffizient
- Übungen und Lösungen zu Korrelation und Regression
- Residuen, MSE und MAE mit Übungsaufgaben
- Bestimmtheitsmaß (R²)
- Root Mean Square Error (RMSE) mit Übungen und Lösungen
- Konzepte der multiplen linearen Regression
Fortgeschrittene Regressions- und ML-Algorithmen
Lektion 06
- Multiple lineare Regression
- Polynomiale und logistische Regression
- Entscheidungsbäume und Regressionsbäume
- Random Forests
- Overfitting und Probleme mit der Modellleistung
- Strategien zum Umgang mit fehlenden Daten implementieren die Querschnittsaspekte in Ihrer Anwendung oder Ihrem Programm.
- Aspektorientierung implementieren, um Querschnittsbelange zu vermeiden
ANOVA
Lektion 07
- Grundlagen der ANOVA und zentrale Annahmen
- Einfaktorielle ANOVA
- F-Verteilung
- Zweifaktorielle ANOVA (Quadratsummen)
- F-Verhältnis und Interpretation der Ergebnisse
Für wen ist dieses Programm geeignet?
Angehende Data Scientists und Data Analysts
Softwareentwickler, die in Daten- und KI-Rollen wechseln
Fachkräfte aus Wirtschaft und Finanzen, die mit Daten arbeiten
Alle, die ihre Fähigkeiten in der Dateninterpretation und im quantitativen Denken verbessern möchten
Voraussetzungen
Es sind keine fortgeschrittenen Mathematikkenntnisse erforderlich. Dennoch profitieren Lernende von Folgendem:
- Grundlegende Mathematik auf Gymnasialniveau (Algebra und Arithmetik)
- Vertrautheit mit alltäglichen Datenkonzepten (Diagramme, Durchschnitte, Prozentsätze)
- Grundlegende Computerkenntnisse
- Es sind keine Vorkenntnisse in Statistik, Programmierung oder Data Science erforderlich.
Aussagen
Lizenzierung und Akkreditierung
Dieser Kurs wird gemäß der Partnerprogramm-Vereinbarung angeboten und entspricht den Anforderungen der Lizenzvereinbarung.
Gleichstellungspolitik
Kandidaten werden ermutigt, sich während des gesamten Prozesses der Bereitstellung von Vorkehrungen für Beratung und Unterstützung an die AVC zu wenden.
Häufig gestellte Fragen
Benötigen Sie Unternehmenslösungen oder eine LMS-Integration?
Haben Sie nicht den Kurs oder das Programm gefunden, das für Ihr Unternehmen geeignet wäre? Benötigen Sie eine LMS-Integration? Schreiben Sie uns! Wir werden alles lösen!