Dieses Modul behandelt statistische Konzepte, die für die Erstellung und Interpretation von Modellen des maschinellen Lernens unerlässlich sind. Die Teilnehmer befassen sich mit zentralen Kennzahlen wie Varianz, Korrelation, R-Quadrat und Standardfehler und lernen dabei, häufige statistische Fehler zu erkennen. Das Modul behandelt zudem fortgeschrittene Themen wie lineare Regression, statistische Annahmen und die Interpretation von Ergebnissen, sodass die Teilnehmer in die Lage versetzt werden, Daten sicher zu analysieren.

Im Mittelpunkt dieses Moduls stehen Wahrscheinlichkeitsverteilungen und Hypothesentests, die beide für die statistische Inferenz von entscheidender Bedeutung sind. Die Lernenden befassen sich mit diskreten und kontinuierlichen Wahrscheinlichkeitsverteilungen, Varianz-Kovarianz-Strukturen sowie Kriterien zur Ablehnung von Hypothesen. Das Modul bietet zudem eine Einführung in klassische Verteilungen wie die t-Verteilung, die Chi-Quadrat-Verteilung und die Poisson-Verteilung sowie in Visualisierungstechniken zur Überprüfung von Datenannahmen und zur Interpretation der Ergebnisse.

Dieses Modul bietet eine Einführung in die wichtigsten Algorithmen des maschinellen Lernens, wobei der Schwerpunkt auf Regression, Klassifizierung, Entscheidungsbäumen und Ensemble-Methoden liegt. Die Teilnehmer befassen sich mit K-Nearest Neighbors (KNN), verallgemeinerten Regressionsmodellen, Entscheidungsbaum-Klassifikatoren und dem Einsatz von Pruning zur Leistungsoptimierung. Das Modul schließt mit Ensemble-Lernverfahren, darunter Random Forests und Boosting, zum Aufbau leistungsfähiger Vorhersagemodelle.