Tags

Alle Notizen nach Themen

Jede Themenseite trägt Tags. Über die Wolke rechts lässt sich nach einem Tag filtern, das Suchfeld durchsucht Titel, Tags und Beschreibung.

APIs und Web-Scraping

Data Wrangling
Datenqualität
R
Python

Daten aus Schnittstellen und Webseiten holen: JSON seitenweise abrufen, HTML auslesen, Fehler abfangen und fair bleiben.

ARIMA und SARIMA

Zeitreihen
Prognose
Interpretation
R
Python

Modellordnung wählen, schätzen, Residuen prüfen und prognostizieren.

Bausteine eines Prompts

Prompting
Sprachmodelle
Kommunikation

Rolle, Aufgabe, Kontext, Format und Randbedingungen, mit Vorlage zum Kopieren.

Bayessche Inferenz

Bayes
Schätzen
A/B-Testing
Interpretation
R
Python

Prior, Likelihood und Posterior: Glaubwürdigkeitsintervalle, der Einfluss des Priors und Wahrscheinlichkeiten für Hypothesen.

Bedingte Wahrscheinlichkeit und Bayes

Wahrscheinlichkeit
Bayes
Interpretation
R
Python

Bedingung, Unabhängigkeit, Satz von Bayes und der Basisratenfehler.

Bootstrap und Resampling

Konfidenzintervall
Interpretation
R
Python

Konfidenzintervalle ohne Verteilungsannahme, auch für Kennzahlen ohne Formel.

Chi-Quadrat-Tests

Hypothesentests
Interpretation
R
Python

Unabhängigkeit und Anpassung bei kategorialen Daten prüfen.

Clustergüte

Clustering
Modellvalidierung
Interpretation
R
Python

Silhouette, Ellbogen und Gap-Statistik zur Beurteilung einer Lösung.

Cox-Modell

Survival-Analyse
Regression
Interpretation
R
Python

Hazard Ratio, proportionale Hazards und die Deutung mehrerer Einflussgrössen.

Dashboards und Interaktivität

Dashboards
Interaktivität
Visualisierung
Deployment
R
Python

Was Interaktion bringt, was sie kostet, und wie man Dashboards ordnet.

Data Wrangling

Data Wrangling
pandas
tidyverse
R
Python

Filtern, sortieren, gruppieren, umformen und verbinden in beiden Sprachen.

Datenbankzugriff

Datenbanken
SQL
R
Python

Aus R und Python verbinden, abfragen, schreiben und sauber schliessen.

Datenimport und Formate

Data Wrangling
R
Python

CSV, Excel, JSON und Pickle lesen und schreiben, Kodierung beachten.

Datenmodellierung

Datenbanken
SQL
R
Python

Relationales Modell, Schlüssel, Beziehungen und Normalisierung.

Datenqualität

Datenqualität
Data Wrangling
R
Python

Plausibilität, fehlende Werte, Duplikate und uneinheitliche Kategorien.

Datum und Zeit

Data Wrangling
R
Python

Datumsangaben einlesen, Bestandteile herausziehen, rechnen, Zeitzonen.

Denkführende Patterns

Prompting
Sprachmodelle
Interpretation

Schrittweises Denken, Abstraktion, Zerlegung und Code als Denkwerkzeug.

Diagrammtyp wählen

Visualisierung
Wahrnehmung
R
Python

Vom Datentyp und der Botschaft zur passenden Darstellung.

Diskrete Verteilungen

Verteilungen
Wahrscheinlichkeit
R
Python

Binomial, Poisson und geometrisch, mit ihren Anwendungsfällen.

Distanzmasse

Distanzmasse
Clustering
R
Python

Euklidisch, Manhattan, Gower und warum Skalierung entscheidend ist.

Docker und Virtualisierung

Tooling
Deployment
Reproduzierbarkeit

Images, Container, Volumes und wann sich der Aufwand lohnt.

DuckDB

Datenbanken
SQL
R
Python

SQL für analytische Auswertungen im eigenen Prozess, direkt auf Dateien.

Effektstärken

Effektstärke
Interpretation
R
Python

Cohens d, Hedges g, r und η²: wie gross ist der Unterschied wirklich?

Einfache lineare Regression

Regression
Modelldiagnostik
Interpretation
R
Python

Ein Prädiktor, Steigung und Achsenabschnitt, Bestimmtheitsmass und Residuen.

Embeddings und RAG

Sprachmodelle
Distanzmasse
Prompting
R
Python

Texte als Vektoren, Ähnlichkeit messen, passende Ausschnitte suchen und einem Sprachmodell als Material mitgeben.

Explorative Datenanalyse

EDA
Visualisierung
R
Python

Verteilungen, Ausreisser und Zusammenhänge systematisch sichten.

Faktorenanalyse

Faktorenanalyse
Dimensionsreduktion
Interpretation
R
Python

Latente Faktoren schätzen, Rotation und Abgrenzung zur Hauptkomponentenanalyse.

Farbe

Farbe
Wahrnehmung
Visualisierung
R
Python

Paletten nach Aufgabe, Kontrast und Farbfehlsichtigkeit.

Fehlerbehandlung und Dateizugriff

Programmiergrundlagen
Python
R
Tooling

Exceptions gezielt abfangen, Dateien lesen und schreiben.

Fragen zu Daten

Data Wrangling
Datenqualität
SQL

Übergreifende Fragen zu Import, Wrangling, Datenqualität und SQL.

Fragen zu Datenbanken

Datenbanken
SQL

Übergreifende Fragen zur Wahl des Systems und zu Eigenheiten, die zwischen den Systemen verschieden sind.

Fragen zu KI

Prompting
Sprachmodelle
Interpretation

Übergreifende Fragen zu Einordnung, Patterns, Grenzen und Prüfung.

Fragen zu den Werkzeugen

Tooling
Reproduzierbarkeit
Linux

Übergreifende Fragen zu Shell, Git, Containern und den Umgebungen für R und Python.

Fragen zur Programmierung

Programmiergrundlagen
Tooling
R
Python

Übergreifende Fragen zu Python, R, Paketen und reproduzierbarem Arbeiten.

Fragen zur Statistik

Hypothesentests
Regression
Interpretation

Übergreifende Fragen zu Verbindungen und Verwechslungen zwischen den Methoden.

Fragen zur Visualisierung

Visualisierung
Wahrnehmung
Visualisierungsethik

Übergreifende Fragen zu Wahrnehmung, Diagrammwahl und Darstellungsethik.

Funktionen und Module in Python

Programmiergrundlagen
Python
R

Eigene Funktionen, Gültigkeitsbereiche, Import und Modulstruktur.

Gemischte Modelle

Regression
Modelldiagnostik
Interpretation
R
Python

Regression mit Gruppenstruktur: zufällige Achsenabschnitte und Steigungen, ICC und warum OLS dort zu sicher ist.

Gepaarter t-Test

Hypothesentests
Effektstärke
Interpretation
R
Python

Verbundene Messungen über die Differenzen prüfen.

Git

Tooling
Reproduzierbarkeit

Commits, Branches, Merge-Konflikte und der Umgang mit Remotes.

Glättung

Zeitreihen
Prognose
Interpretation
R
Python

Gleitender Durchschnitt und exponentielle Glättung als erste Modelle.

Grosse Datenmengen

Data Wrangling
Tooling
R
Python

Wenn CSV und Arbeitsspeicher an Grenzen kommen: Parquet, nur benötigte Spalten lesen und verzögerte Auswertung mit Arrow und Polars.

Grundlegende Patterns

Prompting
Sprachmodelle
Kommunikation

Persona, Rückfragen, Beispiele, Ballast entfernen und Umformulieren, mit fertigen Prompts.

Hauptkomponentenanalyse

Dimensionsreduktion
Interpretation
R
Python

Dimensionen reduzieren, Ladungen und erklärte Varianz lesen.

Hierarchisches Clustering

Clustering
Distanzmasse
Interpretation
R
Python

Verknüpfungsverfahren, Dendrogramm und dessen Deutung.

Hypothesentests: Grundlagen

Hypothesentests
Schätzen
Interpretation
R
Python

Testlogik, Fehler erster und zweiter Art, p-Wert und was er nicht bedeutet.

Häufigkeiten

Deskriptive Statistik
EDA
R
Python

Absolute und relative Häufigkeiten, Kreuztabellen und ihre Darstellung.

Irreführende Darstellungen

Visualisierungsethik
Visualisierung
Wahrnehmung
R
Python

Abgeschnittene Achsen, falsche Flächen und andere Verzerrungen.

KI-Entwürfe überarbeiten

Sprachmodelle
Kommunikation
Prompting

Typische Schreibmuster maschineller Entwürfe erkennen und gezielt beseitigen.

Kaplan-Meier-Schätzer

Survival-Analyse
Interpretation
R
Python

Überlebenskurven schätzen, Median und Konfidenzband richtig deuten.

Kausale Inferenz

Versuchsplanung
Regression
Interpretation
R
Python

Ursache statt Zusammenhang aus Beobachtungsdaten: Confounder, Adjustierung, Schichtung und Difference-in-Differences.

Klassifikationsgüte

Regression
Interpretation
R
Python

Konfusionsmatrix, Sensitivität, ROC und AUC richtig lesen.

Kombinatorik und Wahrscheinlichkeit

Wahrscheinlichkeit
R
Python

Zählprinzipien, Laplace-Wahrscheinlichkeit und die Rechenregeln.

Korrelation

Korrelation
Deskriptive Statistik
Interpretation
R
Python

Pearson, Spearman und Kendall als Masse, ihre Grenzen und Fallstricke.

Korrelationstests

Hypothesentests
Interpretation
R
Python

Pearson, Spearman und Kendall: Zusammenhang prüfen und richtig deuten.

Lage- und Streuungsmasse

Deskriptive Statistik
Interpretation
R
Python

Mittelwert, Median, Quartile, Standardabweichung und ihre Robustheit.

Lineare Algebra für die Hauptkomponentenanalyse

Multivariate Verfahren
R
Python

Matrizen als Abbildungen, Eigenwerte und Eigenvektoren und was die PCA daraus macht.

Linux und Shell

Linux
Tooling
R
Python

Dateien, Rechte, Pipes und die Befehle, die man täglich braucht.

Log-Rank-Test

Survival-Analyse
Hypothesentests
Interpretation
R
Python

Vergleich von Überlebenskurven zwischen Gruppen und seine Voraussetzungen.

Logistische Regression

Regression
Interpretation
R
Python

Binäre Zielgrösse modellieren, Odds Ratios und Wahrscheinlichkeiten lesen.

Modellauswahl

Regression
Modelldiagnostik
Interpretation
R
Python

F-Test, AIC, BIC und Kreuzvalidierung, und warum schrittweise Auswahl täuscht.

Modelle und ihre Grenzen

Sprachmodelle
Prompting
Interpretation

Wie Sprachmodelle antworten, welche Kategorien es gibt und wo sie zuverlässig scheitern.

MongoDB

Datenbanken
Data Wrangling
R
Python

Dokumentdatenbank ohne festes Schema: wann sie passt und wie man sie abfragt.

Multiple lineare Regression

Regression
Modelldiagnostik
Interpretation
R
Python

Mehrere Prädiktoren, adjustiertes R², Multikollinearität und wie man den Output liest.

Multiples Testen

Hypothesentests
Interpretation
R
Python

Warum viele Tests falsche Alarme erzeugen und wie Bonferroni, Holm und Benjamini-Hochberg gegensteuern.

MySQL und MariaDB

Datenbanken
SQL
R
Python

Weit verbreitete Serverdatenbanken, ihre Eigenheiten und der Zugriff aus R und Python.

Nichtparametrische Tests

Hypothesentests
Interpretation
R
Python

Wilcoxon, Mann-Whitney und Kruskal-Wallis als Ausweichverfahren.

Normalitätstests

Hypothesentests
Verteilungen
Interpretation
R
Python

Shapiro und Kolmogorow-Smirnow, und warum Plots oft mehr zeigen.

Normalverteilung und zentraler Grenzwertsatz

Verteilungen
Wahrscheinlichkeit
Interpretation
R
Python

Warum so viele Verfahren auf der Normalverteilung aufbauen.

NumPy und SciPy

NumPy
Python
R
Programmiergrundlagen

Arrays, Vektorisierung und die wichtigsten numerischen Werkzeuge.

Objektorientierung in Python

Programmiergrundlagen
Python
R

Klassen, Instanzen, Vererbung und wann sich der Aufwand lohnt.

Pakete und Umgebungen

Tooling
Reproduzierbarkeit
R
Python

pip, conda, venv und renv, und warum Umgebungen getrennt gehören.

PostgreSQL

Datenbanken
SQL
R
Python

Der Standard unter den offenen Serverdatenbanken, mit Fensterfunktionen, JSON und Erweiterungen.

Power und Stichprobenumfang

Hypothesentests
Effektstärke
Interpretation
R
Python

Wie viele Fälle braucht es, und was findet man mit denen, die man hat?

Prompts für die Datenarbeit

Prompting
Sprachmodelle
Data Wrangling
Interpretation

Fertige Prompts für Import, Aufbereitung, Analyse, Grafik und Bericht.

Prüfende Patterns

Prompting
Sprachmodelle
Interpretation

Antworten gegenprüfen, mehrfach rechnen lassen und gezielt überarbeiten.

Prüfverteilungen: t, Chi-Quadrat und F

Wahrscheinlichkeit
R
Python

Woher die Verteilungen kommen, unter denen Teststatistiken beurteilt werden.

Python-Grundlagen

Programmiergrundlagen
Python
R

Datentypen, Kontrollfluss, Listen und Dictionaries als Arbeitsbasis.

Python-Umgebungen

Python
Tooling
Reproduzierbarkeit

Anaconda, Jupyter, VS Code und Colab: welches Python läuft, welcher Kernel rechnet und warum der Import scheitert.

QQ-Plots

Verteilungen
Visualisierung
Interpretation
R
Python

Verteilungen grafisch vergleichen und typische Muster deuten.

Quarto

Tooling
Reproduzierbarkeit
Kommunikation

Dokumente, Berichte und Websites aus Text und Code: Aufbau, Chunk-Optionen, Formate und Veröffentlichen.

R-Grundlagen

Programmiergrundlagen
R
Python

Vektoren, Data Frames, Funktionen und die Eigenheiten von R.

R-Umgebungen

R
Tooling
Reproduzierbarkeit

RStudio, Positron und Posit Cloud: Oberfläche, Projekte und die Einstellungen, die man ändern sollte.

Regressionsdiagnostik

Regression
Modelldiagnostik
Interpretation
R
Python

Residuen, Hebelwerte, Ausreisser, VIF und was man bei Verletzungen tut.

Reproduzierbarkeit

Reproduzierbarkeit
Tooling
R
Python

Projekte, Notebooks, Seeds und Quarto als durchgehender Arbeitsweg.

SQL

SQL
Datenbanken
R
Python

Abfragen, Joins, Aggregation und Unterabfragen.

SQLite

Datenbanken
SQL
R
Python

Die Datenbank als einzelne Datei: ohne Server, ideal für Auswertungen und Prototypen.

Schätzen und Konfidenzintervalle

Schätzen
Interpretation
R
Python

Punktschätzung, Standardfehler und die korrekte Deutung eines Intervalls.

Skalenniveaus

Deskriptive Statistik
EDA
Interpretation
R
Python

Nominal, ordinal, metrisch und was daraus für die Methodenwahl folgt.

Sprachmodelle per API

Sprachmodelle
Prompting
Reproduzierbarkeit

Ein Sprachmodell aus R und Python aufrufen: Anfrage, Systemvorgabe, strukturierte Ausgabe, Kosten und Fehlerbehandlung.

Stationarität, ACF und PACF

Zeitreihen
Interpretation
R
Python

Differenzieren, ADF-Test und wie man Korrelogramme liest.

Stetige Verteilungen

Verteilungen
Wahrscheinlichkeit
R
Python

Dichte, Verteilungsfunktion und die wichtigsten stetigen Modelle.

Storytelling mit Daten

Storytelling
Kommunikation
Visualisierung
R
Python

Aufbau, Betonung und Text als Teil der Grafik.

Textdaten und reguläre Ausdrücke

Data Wrangling
Datenqualität
R
Python

Text zerlegen, bereinigen und vereinheitlichen mit regulären Ausdrücken, und die Fallen bei Punkt, Gier und Umlauten.

Tidy Data

Data Wrangling
Datenqualität
R
Python

Eine Zeile je Beobachtung, eine Spalte je Variable, und warum das trägt.

Varianzanalyse

Hypothesentests
Regression
Interpretation
R
Python

Mehr als zwei Gruppen vergleichen, Post-hoc und Bezug zur Regression.

Versuchsplanung und A/B-Tests

Versuchsplanung
A/B-Testing
Power
Hypothesentests
R
Python

Randomisierung, Stichprobenumfang vorab, das Problem mit dem Zwischendurch-Schauen und die Auswertung eines A/B-Tests.

Vom Prompt zum Kontext

Sprachmodelle
Prompting
Reproduzierbarkeit

Wenn die Formulierung nicht mehr reicht: Kontext, Wissensanbindung und Agenten.

Wahrnehmung und Kodierung

Wahrnehmung
Visualisierung
R
Python

Welche visuellen Kanäle genau abgelesen werden und welche nicht.

Wann was verwenden

Prompting
Sprachmodelle
Interpretation

Entscheidungshilfe: welches Vorgehen, welches Pattern und welches Modell für welche Aufgabe.

Zeitreihen: Grundlagen

Zeitreihen
Interpretation
R
Python

Trend, Saison und Rest, Zerlegung und was daran ablesbar ist.

Zensierung und Überlebensfunktion

Survival-Analyse
Interpretation
R
Python

Was Zensierung bedeutet und wie die Überlebensfunktion zu lesen ist.

Zielbild und Publikum

Visualisierung
Kommunikation
R
Python

Zweck, Publikum und der Unterschied zwischen explorativ und erklärend.

Zufallsvariablen

Wahrscheinlichkeit
Verteilungen
R
Python

Erwartungswert, Varianz und Verteilungsfunktion als Grundbegriffe.

ggplot2

ggplot2
Visualisierung
R
Python

Grammatik der Grafik, Ebenen, Skalen und Facetten in R.

k-Means

Clustering
Interpretation
R
Python

Objekte in k Gruppen teilen, Startwerte und die Wahl von k.

matplotlib

matplotlib
Visualisierung
Python
R

Figure und Axes, Achsen, Beschriftung und Export in Python.

pandas

pandas
Python
R
Data Wrangling

Series und DataFrame, Auswahl, Aggregation und Zusammenführen.

seaborn und plotly

seaborn
plotly
Visualisierung
Python

Statistische Standardgrafiken und interaktive Darstellungen in Python.

t-Test für eine Stichprobe

Hypothesentests
Effektstärke
Interpretation
R
Python

Mittelwert gegen einen festen Wert prüfen und das Ergebnis deuten.

t-Test für zwei Stichproben

Hypothesentests
Effektstärke
Interpretation
R
Python

Zwei unabhängige Gruppen vergleichen, Welch als Standardfall.

Keine Treffer