Eingabe löschen

Kopfbereich

Hauptnavigation

School of Engineering

CAS Advanced Statistical Data Analysis

Das CAS Advanced Statistical Data Analysis erweitert und vertieft die im CAS Data Analysis erworbenen Kenntnisse und Fähigkeiten. Im Zentrum stehen neben fortgeschrittenen Datenaufbereitungstechniken und erweiterten Regressionsmodellen, auch Fragen, wie mit fehlenden Werten umzugehen ist und welche kausalen Rückschlüsse aus Modellen zulässig sind.

Anmelden

Favoriten vergleichen

Auf einen Blick

Abschluss:

Certificate of Advanced Studies ZHAW in Advanced Statistical Data Analysis (12 ECTS)

Start:

04.09.2025

Dauer:

Kosten:

CHF 5'900.00

Durchführungsort: 

ZHAW, Gebäude MT, Technopark, Winterthur, Trakt A, Technoparkstrasse 2, 8401 Winterthur  (Auf Google Maps anzeigen)

Unterrichtssprache:

Deutsch

Vom CAS zum MAS: 

Das CAS Advanced Statistical Data Analysis ist Bestandteil des DAS Data Science und des MAS Data Science.

Ziele und Inhalt

Zielpublikum

Das CAS Advanced Statistical Data Analysis richtet sich an Personen,

  • die Unternehmensdaten oder öffentliche Daten bearbeiten (z.B. Analytiker/innen),
  • die datengestützte Entscheidungsgrundlagen (Berichte und/oder statistische Modelle) liefern müssen,
  • die Produktions- oder Betriebsprozesse überwachen und regeln,
  • die Kundendaten auswerten.

Ziele

Die Absolventinnen und Absolventen des CAS Advanced Statistical Data Analysis erwerben sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Bereichen:

  • Datenaufbereitung von verschiedensten Daten(quellen) und Datenanreicherung mit zusätzlicher Information mit R
  • Umgang mit fehlenden Werten
  • Generalisierte lineare und additive Modelle (GLM, GAM)
  • Netzwerkanalyse
  • Quantifizieren und Schätzen kausaler Effekte
  • Entwicklung eines Analysekonzepts

Inhalt

Modul A "Data Enhancement and Processing"

Lernziele

  • Sie können Daten aus verschiedenen Dateiformaten (z.B. JSON, XML, SQL Datenbanken) in R importieren.
  • Sie können geeignete Tools für die Datenaufbereitung einsetzen, dabei mehrere Datenquellen zusammenführen, Ausreisser und Fehler finden.
  • Sie können aus bestehenden Variablen (z.B. Zeitangaben oder Text) für eine bestimmte Fragestellung nützliche Informationen extrahieren.
  • Sie können mittels API zusätzliche Informationen ihren Daten hinzufügen.
  • Sie können fehlende Werte typisieren und kennen Methoden für die Imputation

Inhalte

  • Data Wrangling
  • API
  • Multivariate Methoden zur Ausreisserdetektion
  • Typisierung von fehlenden Werten
  • Imputationsmethoden (Standard- und neuste Methoden wie z.B. missForest)
  • Durchführung einer eigenen Datenaufbereitung

Modul B "Data Analysis Concepts"

Lernziele

  • Sie kennen die wesentlichen Schritte einer Datenanalyse
  • Sie können die einzelnen Schritte einer statistischen Auswertung kritisch hinterfragen
  • Sie sind in der Lage, ein Analysekonzept zu entwickeln

Inhalte

  • Konzept CRISP-DM
  • Diskussion anhand von Fallbeispielen
  • Entwerfen eines eigenen Analysekonzepts («grössere» Projektarbeit)

Modul C "Advanced Regression Modelling"

Lernziele

  • Sie sind vertraut mit praxisrelevanten Methoden der multiplen Regressionsrechnung bei nicht normalverteilten Zielgrössen
  • Sie erkennen, auf welchen Prinzipien diese Methoden beruhen und können die Resultate aus den Anpassungen interpretieren und statistische Schlussfolgerungen ziehen
  • Sie können beurteilen, ob das Modell zu den Daten passt
  • Sie können ein generalisiertes Regressionsmodell datengestützt entwickeln

Inhalte

  • Logistische Regression
  • Poisson Regression
  • Generalisierte lineare Modelle (GLM)
  • Generalisierte additive Modelle (GAM)
  • Robuste und moderne Schätzmethoden

Modul D "Network Analysis and Causality"

Lernziele

  • Sie kennen die (graphentheoretischen) Grundlagen der Netzwerkanalyse
  • Sie können mit R-Paketen wie zum Beispiel igraph und network Netzwerke analysieren und darstellen
  • Sie verstehen die Grundlagen der Diffusion in Netzwerken
  • Sie verstehen, wann kausale Rückschlüsse aus Modellen möglich sind.
  • Sie kennen die Grundlagen kausaler Inferenz am Beispiel grafischer Modelle, insbesondere Strukturgleichungsmodelle
  • Sie können graphische Modelle aufsetzen und damit kausale Effekte und Auswirkungen von Interventionen aus Daten schätzen

Inhalte

  • Eigenschaften und Modelle sozialer Netzwerke (small world / Skalenfreiheit, Erdös / Barabási Modelle)
  • Zentralitätsmasse und Community-Strukturen (Wer sind die Key Users für das Marketing?)
  • Diffusion in (sozialen) Netzwerken (Wie breiten sich Gerüchte oder Epidemien aus, wie setzen sich Innovationen oder Theorien durch?)
  • Visualisierung von (grossen) Netzwerken
  • Definition und Eigenschaften von Kausalität
  • Voraussetzungen für kausale Rückschlüsse aus Modelle
  • Grafische Modelle, insbesondere Strukturgleichungsmodelle
  • Schätzung von totalen und direkten kausalen Effekten

Methodik

Das Weiterbildungsprogramm umfasst verschiedene Aktivitäten, wie etwa Vorlesungen, praxisorientierte Übungen und Fallbeispiele, Gruppenarbeiten und Selbststudium (Vor- und Nachbereitung).

Mehr Details zur Durchführung

Das CAS Advanced Statistical Data Analysis wird berufsbegleitend absolviert. Der Unterricht findet einmal pro Woche donnerstags von 9:00 bis 17:00 (8 Lektionen) statt. Ein Unterrichtstag ist in zwei Blöcke von je 4 Lektionen unterteilt, wobei ein Block aus 2 Lektionen Unterricht und 2 Lektionen praktischem Arbeiten besteht. In den praktischen Arbeiten vertiefen die Teilnehmerinnen und Teilnehmer das Gelernte an konkreten Beispielen, die mit einer entsprechenden Software auf dem eigenen Laptop bearbeitet werden.

Den individuellen Stundenplan erhalten die Studierenden spätestens einen Monat vor Studienbeginn. Die schulfreie Zeit richtet sich nach den Schulferien der Stadt Winterthur.

Beratung und Kontakt

Veranstalter

Dozierende

Das Team der Dozierenden besteht aus ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich. Hier ein Auszug der Dozierendenliste:

  • Dr. Marcel Dettling, IDP
  • Dr. Anna Drewek, IDP
  • Dr. Christoph Hofer, IDP
  • Dr. Thoralf Mildenberger
  • Prof. Dr. Andreas Ruckstuhl, IDP
  • Prof. Dr. Beate Sick, IDP

Anmeldung

Zulassungskriterien

Zulassungsbedingungen für Personen mit Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

  • Abschluss (Diplom, Lizentiat, Bachelor- oder Masterabschluss) einer staatlich anerkannten Hochschule beziehungsweise einer der Vorgängerschulen.
  • 2 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
  • Erfolgreicher Abschluss des CAS Data Analysis.

Zulassungsbedingungen für Personen ohne Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

  • Nachweis eines Abschlusses in der höheren Berufsbildung (Tertiär-B): Berufsprüfung BP (eidgenössischer Fachausweis) oder Höhere Fachprüfung HFP (eidgenössisches Diplom) oder Höhere Fachschule HF. In Ausnahmefällen können weitere Personen zugelassen werden, wenn sich deren Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
  • 3 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
  • Erfolgreicher Abschluss des CAS Data Analysis.
  • Bestehen eines Zulassungsgesprächs.

Anmeldeinformationen

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.

Startdaten und Anmeldung

Start Anmeldeschluss Anmeldelink
04.09.2025 04.08.2025 Anmeldung

Downloads und Broschüre

Downloads

Links