Applied Data Literacy Modul 5

Worum geht es?

In Modul 5 unserer Applied Data Literacy Reihe beschäftigen wir uns mit statistischen Konzepten, die bei Datenprojekten, Analysen und AI-Anwendungen immer wieder relevant werden. Du lernst, Korrelation und Kausalität voneinander zu unterscheiden, Signifikanz und p-Werte richtig einzuordnen und typische Risiken bei Datenanalyse und Modellierung zu erkennen. Außerdem betrachten wir, welche Rolle Interpretierbarkeit bei der Bewertung von Modellen spielt.

Das nimmst Du mit aus Applied Data Literacy Modul 5

• Du verstehst, warum statistische Zusammenhänge allein keine Ursache belegen und welche Rolle Drittvariablen, Scheinkorrelationen und Kontext spielen.
• Du lernst die Grundlagen von Hypothesentests kennen und verstehst, was p-Werte aussagen und welche Schlussfolgerungen daraus nicht gezogen werden können.
• Du erfährst, wie Overfitting, Underfitting, Sampling Bias und weitere methodische Schwächen die Aussagekraft einer Analyse beeinflussen können.
• Du verstehst, warum neben Genauigkeit auch Interpretierbarkeit eine wichtige Rolle spielen kann, insbesondere in sensiblen oder regulierten Anwendungsbereichen.

Zielgruppe und Vorkenntnisse

Das Webinar richtet sich an Projektverantwortliche, Fachbereiche, Analyst:innen, Entscheider:innen und alle, die statistische Aussagen in Datenprojekten, Reports oder AI-Kontexten besser verstehen und kritisch bewerten möchten.

Tiefe Statistikkenntnisse sind nicht erforderlich. Ein grundlegendes Interesse an Daten und ihrer Einordnung genügt.
Die Module der Applied Data Literacy Reihe bauen thematisch aufeinander auf, können jedoch auch einzeln besucht werden.

Trainingsinhalte

Korrelation und Kausalität

Warum statistische Zusammenhänge nicht automatisch einen ursächlichen Zusammenhang belegen. Wir betrachten Scheinkorrelationen, umgekehrte Kausalität und das Confounder-Problem.

Signifikanz, p-Werte und Hypothesentests

Grundlagen von Nullhypothese, Alternativhypothese, Alpha-Niveau und p-Wert sowie typische Fehlinterpretationen statistisch signifikanter Ergebnisse.

Risiken bei Datenanalyse und Modellierung

Wie Overfitting, Underfitting, Sampling Bias und weitere methodische Schwächen die Qualität und Übertragbarkeit von Analyseergebnissen beeinflussen.

Genauigkeit und Interpretierbarkeit

Warum das genaueste Modell nicht für jeden Anwendungsfall automatisch das geeignetste ist und welche Rolle Erklärbarkeit bei der Bewertung von Modellen spielen kann.