1. Vorlesung 1
   1. Einführung in Datenanalyse
      1. Warum
      2. Was sind Daten
      3. Datenbegriff
      4. Arten von Daten
      5. Probleme von Daten
      6. Datenanalyse Pipeline
      7. Datenvisualisierung
   2. Data Mining
   3. Maschinelles Lernen
   4. Künstliche Intelligenz
2. Vorlesung 2
   1. Skalenniveaus
      1. Nominalskala
      2. Ordinalskala
      3. Intervallskala
      4. Verhältnisskala
   2. Beschreibung univariater Daten
      1. seine drecks definitionen (Folie 12, 13, 16)
      2. erste Schritte bei Datenanalyse
      3. Statistischer Kennwert
         1. Definition:
         2. Maße der zentralen Tendenz
         3. Maße der Variabilität
      4. Boxplot
   3. Beschreibung multivariater Daten
      1. Datenmatrix
      2. Maße des Zusammenhangs
         1. Korrelation
            1. Warnung zu Korrelation
      3. Korrelationsmatrix
3. Vorlesung 3
   1. Lineare Regression und Gradientenabstieg
      1. Lineare Regression
         1. Pseudoinverse
         2. Gradientenabstieg
         3. Zsmhang mit Korrelation
4. Vorlesung 4
   1. Multiple Regression und Bestimmtheitsmaß
      1. Multikollinearität
      2. Bestimmtheitsmaß
         1. Strategien für Prädiktorauswahl
            1. Folie 34
         2. Supressorvariablen
      3. MLR und Skalenniveaus
   2. Dummykodierung
   3. Nicht-lineare Regression
      1. Unterknoten 1
5. Vorlesung 5
   1. Grundbegriffe des maschinellen Lernens
      1. Trainingsdaten und Testdaten
      2. Overfitting vs Underfitting
         1. Underfitting
         2. Overfitting
      3. Bias vs Varianz
   2. Grundbegriffe der Klassifikation
      1. Klassifikation
         1. Binäre vs. Multiklassen Klassifikationsverfahren
      2. Konfusionsmatrix
   3. Logistische Regression
6. Vorlesung 7
   1. Binomialverteilung
   2. Stetige zufallsvariablen
   3. Normalverteilung
7. Vorlesung 8
   1. Einstieg in künstliche Neuronale Netze
      1. Perzeptron
         1. XOR Problem
         2. Multi Layer Perzeptron
      2. Hyperparameter
   2. Backpropagation
      1. Batch Learning
      2. Incremental Learning
      3. Tuning
8. Vorlesung 9
   1. Tiefe Neuronale Netze
      1. 1. Hauptproblem
      2. 2. Hauptproblem
   2. Convolutional Neural Networks
      1. Faltung
      2. Überblick/Struktur
      3. Stride und Padding
      4. Pooling Layer
      5. One Hot Kodierung
      6. Softmax Funktion
      7. Kreuzentropie
9. Vorlesung 10
   1. CNN's in Bidlklassifikation
   2. Entscheidungsbäume (Einstrieg)
   3. Entscheidungsbäume (Vertiefung)
10. Vorlesung 11
    1. k-Nearest-Neighbeours und Fluch der Dimensionalität
       1. KNN
       2. Fluch der Dimensionalität
    2. Hauptkomponentenanalyse (PCA)
    3. Clustering
       1. k-Means
       2. DBSCAN