Das CAS Statistical Modelling 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.

Die Absolventinnen und Absolventen des CAS Statistical Modelling

• können generalisierte lineare und additive Modelle (GLM, GAM) zur Analyse von Daten einsetzen,
• können zensierte Wartezeitdaten mit geeigneten statistischen Modellen analysieren,
• können mit diesen Modellen entsprechende Vorhersagen machen und ihre Genauigkeit beurteilen,
• können Methoden aus der Network Analysis für das Unternehmen gewinnbringend einsetzen,
• können aus graphischen Modellen kausale Effekte abschätzen,
• können Modelleignung überprüfen und Modelle geeignet datengestützt weiterentwickeln,
• können Routineanalysen und entsprechende Reports automatisieren,
• können Browser-Interfaces für spezifische Analysen erstellen.

Modul A "Information Processing with R"

Lernziele

• Sie können mit R automatische Berichte direkt aus der Datenanalyse erzeugen
• Sie können geeignete Tools für die Datenaufbereitung einsetzen
• Sie können die verschiedenen Grafik-Systeme adäquat einsetzen
• Sie können für eine einfache Analyse ein Shiny-Interface erstellen
• Sie sind in der Lage, eine Auswertungsstrategie zu entwickeln

Inhalte

• Reporting tools (R Markdown, knitr/sweave)
• Data wrangling
• Data Visualisation
• Erstellen von Browser-Interfaces für spezifische Analysen (shiny)
• Entwerfen einer Analysestrategie (Projektarbeit)

Modul B "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
• Sie können beurteilen, ob das Modell zu den Daten passt
• Sie können ein generalisiertes Regressionsmodell datengestützt entwickeln

Modul C "Analysis of Time to Event Data"

Lernziele

• Sie sind mit gängigen Modellen für Warte- und Ausfallzeiten vertraut
• Sie kennen das Konzept der Hazardrate
• Sie kennen die Effekte der Zensierung auf die Inferenz
• Sie können die Resultate aus den Anpassungen interpretieren
• Sie können beurteilen, ob das Modell zu den Daten passt

Inhalte

• Modelle für Warte- und Ausfallzeiten
• Zensierung
• Hazardrate
• Inferenz (Schätzen, Testen, Vertrauensintervalle, Prognose)
• Modelleignung

Modul D "Network Analysis"

Lernziele

• Sie kennen die (graphentheoretischen) Grundlagen der Netzwerkanalyse
• Sie können mit Softwaretools wie zum Beispiel igraph und Gephi Netzwerke analysieren und darstellen
• Sie verstehen die Grundlagen der Diffusion in Netzwerken
• Sie können ausgehend von Ähnlichkeiten Daten graphisch zweidimensional visualisieren
• 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 und 2-dim embedding (verallgemeinerte MDS)
• Graphische Modelle und Kausalität

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

Das CAS Statistical Modelling 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.

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

• Dr. Philipp Ackermann, InIT
• Dr. Marcel Dettling, IDP
• Dr. Oliver Dürr, IDP
• Dr. Christoph Hofer, IDP
• Prof. Dr. Andreas Ruckstuhl, IDP

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

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

Broschüre bestellen