Dieser Weiterbildungskurs vermittelt fortgeschrittene Methoden der prädiktiven Modellierung für Fachpersonen mit ersten Erfahrungen in der statistischen Modellierung.
Im Fokus stehen Ansätze, die über klassische Verfahren wie lineare Modelle oder Machine-Learning-Methoden hinausgehen, besonders in Situationen, in denen Unsicherheiten schwer zu quantifizieren oder Modellannahmen nicht gegeben sind.
Die Teilnehmenden lernen, Vorhersagen mit verlässlichen, datengetriebenen Unsicherheitsangaben zu erstellen und Modelle zu entwickeln, die verschiedene Datenmodalitäten in einer gemeinsamen, interpretierbaren Struktur vereinen.
Zielpublikum:Der Kurs richtet sich an Fachpersonen, die
- die Unsicherheit von Prognosen quantifizieren möchten, unabhängig von der gewählten Modellarchitektur (z. B. Random Forest, lineare Modelle, neuronale Netze),
- Prognoseverfahren entwickeln oder anwenden, bei denen die Zielgrössen beliebige und unbekannte Verteilungen aufweisen können,
- interpretierbare Modelle erstellen möchten, die unterschiedliche Datenmodalitäten wie Bilder oder Text mit tabellarischen Daten kombinieren können.
Zur Zielgruppe zählen:
- Absolvent:innen von Weiterbildungsprogrammen wie CAS Advanced Statistical Data Analysis oder MAS Data Science
- Absolvierende Bachelor in Wirtschaftsingenieurwesen oder Data Science,
- Absolvierende des Master of Science in Engineering (MSE) mit Vertiefung Data Science
- Data Scientists, Machine Learning Engineers und Statistiker:innen
- Fachkräfte aus der Finanz-, Pharma-, Versicherungs- und Fertigungsbranche sowie der medizinischen Diagnostik
- Forschende und Doktorierende an Hochschulen
Ziele:Die Teilnehmer:innen
- verstehen die konzeptionellen und methodischen Unterschiede zwischen erklärender und vorhersagender Modellierung und wissen, wie diese zielgerichtet in der praktischen Anwendung umgesetzt werden.
- kennen verschieden Metriken für die Prognosegüte und sind in der Lage, Validierungsmethoden korrekt einzusetzen.
- verstehen das Problem von Overfitting und kennen Strategien, um diese zu vermeiden.
- kennen die Grundlagen der Conformal Prediction und können damit Vorhersageintervalle mit garantierter Überdeckungswahrscheinlichkeit berechnen.
- können Transformationsmodelle als Vorhersagemodelle benutzen und verstehen, dass damit sehr flexible und nicht vorgegebene Verteilungen der Zielvariable modelliert werden können.
- wissen, dass die klassischen GLM-Regressionsmodelle wie lineare oder logistische Regression als Spezialfälle in den Transformationsmodellen enthalten sind.
- können verschiedene Datenmodalitäten wie Bild-, Text- und tabellarische Daten in einem gemeinsamen, probabilistischen Vorhersagemodell integrieren.
Inhalt:
Modul “Explain or Predict”
Inhalte
- Unterschied zwischen erklärender und vorhersagender Modellierung, Modelltypen und Einsatzgebiete: lineare/logistische Regression, Random Forest, neuronale Netze
- Metriken zur Modellbewertung: für Regression und Klassifikation
Validierungsmethoden: Train/Test-Split, Kreuzvalidierung - Strategien zur Vermeidung von Overfitting: Regularisierung, Variablenselektion, Lasso
- Einfluss von Regularisierung und Validierung auf Bias und Varianz
Modul “Conformal Prediction”
Inhalte
- Grundidee der Conformal Prediction: Nicht-parametrische Vorhersageintervalle mit garantierter Überdeckungs-wahrscheinlichkeit.
- Ansätze: Full Conformal Prediction, Split Conformal Prediction, Conformalized Quantile Regression.
Modul “Transformation Models”
Inhalte
- Einführung in Transformationsmodelle (TRAM): Flexibles probabilistisches Modell zur Beschreibung der gesamten Zielverteilung – ohne Vorgabe einer
- Verteilungsfamilie und über den Mittelwert hinaus.
- Spezialfälle von TRAM: Lineare Regression, ordinale Regression, GLM.
- Modellierungskonzept: Zielverteilungen werden durch Transformationen dargestellt.
- Modellansatz: Kombination aus parametrischen und nichtparametrischen Komponenten; erklärbare Koeffizienten ermöglichen Steuerung von Flexibilität und Interpretierbarkeit.
- Anwendung: Fundierte Modellwahl durch Abwägung von Komplexität und Interpretierbarkeit für optimale Vorhersagequalität.
Modul “Multimodal Models”
Grundkonzept für die Kombination verschiedener Datenmodalitäten in einem interpretierbaren Modell (additive Terme pro Modalität, welche mit unterschiedlichen Modellarchitekturen modelliert werden), Vergleich mit Fusion-Ansätzen
