Dieses Modul führt die Lernenden in die wesentlichen Konzepte von Stichprobenmethoden und statistischen Datentypen im Maschinellen Lernen ein. Es erforscht systematische, Cluster- und stratifizierte Stichprobenverfahren und unterscheidet zwischen qualitativen, quantitativen, diskreten, kontinuierlichen, nominalen und ordinalen Daten. Durch die Beherrschung dieser Grundlagen werden die Lernenden verstehen, wie sich Datenerfassung und Klassifizierung auf die Genauigkeit, Reliabilität und Effektivität von Modellen des Maschinellen Lernens auswirken.

Dieses Modul bietet eine umfassende Grundlage in Wahrscheinlichkeitstheorie, Zufallsvariablen und Konzepten der linearen Algebra, die für das Maschinelle Lernen unerlässlich sind. Die Lernenden erforschen die Grundlagen der Wahrscheinlichkeit, wie bedingte Wahrscheinlichkeit, Unabhängigkeit und das Gesetz der Gesamtwahrscheinlichkeit, und befassen sich dann mit diskreten und kontinuierlichen Verteilungen, einschließlich Bernoulli-, geometrischen und Normalverteilungen. Das Modul führt auch in die Grundlagen der linearen Algebra ein - Matrizen, Transpositionen und Determinanten - und stattet die Lernenden mit den mathematischen Werkzeugen aus, die sie benötigen, um Modelle des Maschinellen Lernens effektiv aufzubauen und zu analysieren.

Dieses Modul vermittelt den Lernenden die statistischen Grundlagen, die erforderlich sind, um Hypothesen zu testen, Konfidenzintervalle zu interpretieren und fortgeschrittene Schlussfolgerungstechniken im Maschinellen Lernen anzuwenden. Die Lernenden erforschen Fehlertypen, Ansätze für kritische Werte und P-Werte, Tail-Tests und Konfidenzintervalle. Das Modul führt dann in die angewandte Inferenzstatistik mit T-Tests, Chi-Quadrat-Tests und Anpassungsgüte-Messungen sowie die Interpretation von Kovarianzen ein. Am Ende des Moduls werden die Lernenden in der Lage sein, robuste statistische Tests durchzuführen und Datenbeziehungen genau zu bewerten.