Zu jeder Sitzung der Vorlesung gibt es Folien, hier als PDF (Stand Sommersemester 2026). Das Buch
ist ausführlicher als die Folien; die Folien stützen den Vortrag und sind zum Wiederholen gedacht,
nicht zum Selbststudium. Die Zuordnung zu den Kapiteln steht bei jedem Deck. Die LaTeX-Quellen der
Folien liegen im Ordner slides/ des
Repositoriums.
Sechs Sitzungen haben keine eigenen Folien; dort wurde direkt mit einem Ausdruck des Buchkapitels gearbeitet. Diese Ausdrucke sind älter als das Buch, das Sie gerade lesen; verbindlich ist das Kapitel.
Einführung¶
VL 0: Was ist Data Science?, zum Kapitel Was ist Data Science?
VL 1: Herleitung des Wahrscheinlichkeitsbegriffs, zum Kapitel Einführung in die Stochastik
VL 2: Zufallsvariable, Zufall, pmf, Wahrscheinlichkeitsvektor, zum Kapitel Zufallsvariablen und Verteilungen
VL 3: Einführung in Python, zum Kapitel Einführung in Python
Diskrete Stochastik und Numpy¶
VL 4: Daten, Stichprobe, Modell; Abweichungen und Mittel; Erwartungswert und Varianz, zum Kapitel Erwartungswert und Varianz
VL 5: Unabhängigkeit; Markov, Tschebyscheff, Gesetz der großen Zahlen, zu den Kapiteln Erwartungswert und Varianz und Stochastik programmieren
VL 6: Entropie, diskrete Verteilungen, Numpy, zu den Kapiteln Erwartungswert und Varianz, Wichtigste diskrete Verteilungen und Numpy
Stetige Stochastik und Scipy¶
VL 7: Stetige Zufallsvariablen, zum Kapitel Stetige Verteilungen
VL 8: Die Gaußsche Normalverteilung, zum Kapitel Normalverteilung; dazu der Zusatz, ein Ausdruck des Kapitels Wichtigste stetige Verteilungen
Explorative Datenanalyse¶
VL 9: Deskriptive Statistik, zum Kapitel Deskriptive Statistik
VL 11: Simpson-Paradoxon und Pandas, zu den Kapiteln Deskriptive Statistik und Pandas
VL 13: Data Cleaning, zu den Kapiteln Pandas und Data Cleaning
Multivariate Stochastik¶
VL 10: Multivariate Stochastik, zum Kapitel Kovarianz und Abhängigkeit
VL 12: Multivariate Normalverteilung, Ausdruck des Kapitels Multivariate Normalverteilung
VL 22: Relative Entropie, Ausdruck des Kapitels Relative Entropie
Datenschutz¶
VL 23: Datenschutz, zum Kapitel Datenschutz
Maschinelles Lernen¶
VL 14: k-Means, Ausdruck des Kapitels k-Means
VL 15: Schätztheorie und VL 16: Maximum Likelihood, zum Kapitel Statistische Modelle und Schätzer
VL 17: Dimensionsreduktion mit PCA und VL 18: PCA, Teil 2 (Ausdruck), zum Kapitel Dimensionsreduktion
VL 19: Regression und Klassifikation und VL 20: Lineare Regression, zum Kapitel Lineare Regression
VL 21: Statistische Tests und Signifikanz, zum Kapitel Statistische Tests
VL 24: Expectation Maximization, Ausdruck des Kapitels Expectation Maximization