Streuspanne-Lexikon

Wofür braucht man die Binomialverteilung und was ist das überhaupt?

Wie gewohnt: kurz und knapp verständlich erklärt – in unter fünf Minuten.

Freiheitsgrade beschreiben in der Statistik die Anzahl unabhängiger Informationen, die in eine Schätzung einfließen. 

Das Konfidenzintervall ist ein Bereich, in dem ein unbekannter Parameter vermutet wird. Je breiter dieser Bereich – bzw. Intervall – ist, desto wahrscheinlicher ist es, dass der unbekannte Werte vom Intervall abgedeckt wird.

Kritische Werte dienen dazu, die Signifikanz von Ergebnissen in statistischen Analysen zu bestimmen. Sie helfen also dabei, festzustellen, ob ein beobachteter Effekt auf Zufall beruht oder tatsächlich signifikant ist.

Warum sind eigentlich nicht alle »Mittel« gleich?

Wie gewohnt: kurz und knapp verständlich erklärt – in unter fünf Minuten.

Was ist die mathematische Definition einer Schätzung? Und wie kann ich so etwas »unpräzises« überhaupt definieren? Im »Streuspanne-Lexikon« erklärt das Team kurz und knapp am Beispiel des Münzwurfes.

Ein Gedankenspiel der Statistik: das Ziegenproblem – auch »Monty-Hall-Problem« genannt. Welche Überlegungen spielen eine Rolle für die Wahrscheinlichkeitsrechnung und was hat in diesem Zusammenhang die Spieltheorie zu sagen?

Was ist »KI« und »Machine Learning« eigentlich? Wie erkennt ein Algorithmus den Unterschied zwischen Kindern und Erwachsenen? Und was hat es mit Random Forests und Entscheidungsbäumen auf sich?

In dieser Folge erklären wir die grundlegenden Konzepte anhand konkreter Beispiele. Außerdem zeigen wir, wie Datenwolken und Algorithmen miteinander verbunden sind.

Was sind »Neuronale Netze«? Wie sind sie aufgebaut? Was haben Katzen mit ihnen zu tun? Und wie ähneln sie dem Lernprozess des menschlichen Gehirns? 

In dieser Folge erklären wir wie diese »künstlichen Gehirne funktionieren und wie Maschinen mithilfe von Neuronen lernen, komplexe Aufgaben zu meistern.

Was ist »Shallow Learning«? Und was verbirgt sich hinter diesem Konzept?

In dieser Folge beleuchten wir, wie unzureichende Trainingsdaten und historische Verzerrungen sich auf die Leistung von KI-Systemen auswirkt. Außerdem stellen wir konkrete Beispiele zur Verdeutlichung dar, wie beispielsweise anhand der UNESCO,  der Raumfahrt oder dem Microsoft-Chatbot »Tay«.