Der Kurs richtet sich an Fachpersonen, die

• die Unsicherheit von Prognosen quantifizieren möchten, unabhängig von der gewählten Modellarchitektur (z. B. Random Forest, lineare Modelle, neuronale Netze),
• Prognoseverfahren entwickeln oder anwenden, bei denen die Zielgrössen beliebige und unbekannte Verteilungen aufweisen können,
• interpretierbare Modelle erstellen möchten, die unterschiedliche Datenmodalitäten wie Bilder oder Text mit tabellarischen Daten kombinieren können.

Zur Zielgruppe zählen:

• Absolvent:innen von Weiterbildungsprogrammen wie CAS Advanced Statistical Data Analysis oder MAS Data Science
• Absolvierende Bachelor in Wirtschaftsingenieurwesen oder Data Science,
• Absolvierende des Master of Science in Engineering (MSE) mit Vertiefung Data Science
• Data Scientists, Machine Learning Engineers und Statistiker:innen
• Fachkräfte aus der Finanz-, Pharma-, Versicherungs- und Fertigungsbranche sowie der medizinischen Diagnostik
• Forschende und Doktorierende an Hochschulen

Die Teilnehmer:innen

• verstehen die konzeptionellen und methodischen Unterschiede zwischen erklärender und vorhersagender Modellierung und wissen, wie diese zielgerichtet in der praktischen Anwendung umgesetzt werden.
• kennen verschieden Metriken für die Prognosegüte und sind in der Lage, Validierungsmethoden korrekt einzusetzen.
• verstehen das Problem von Overfitting und kennen Strategien, um diese zu vermeiden.
• kennen die Grundlagen der Conformal Prediction und können damit Vorhersageintervalle mit garantierter Überdeckungswahrscheinlichkeit berechnen.
• können Transformationsmodelle als Vorhersagemodelle benutzen und verstehen, dass damit sehr flexible und nicht vorgegebene Verteilungen der Zielvariable modelliert werden können.
• wissen, dass die klassischen GLM-Regressionsmodelle wie lineare oder logistische Regression als Spezialfälle in den Transformationsmodellen enthalten sind.
• können verschiedene Datenmodalitäten wie Bild-, Text- und tabellarische Daten in einem gemeinsamen, probabilistischen Vorhersagemodell integrieren.

Modul “Explain or Predict”

Inhalte

• Unterschied zwischen erklärender und vorhersagender Modellierung, Modelltypen und Einsatzgebiete: lineare/logistische Regression, Random Forest, neuronale Netze
• Metriken zur Modellbewertung: für Regression und Klassifikation
  Validierungsmethoden: Train/Test-Split, Kreuzvalidierung
• Strategien zur Vermeidung von Overfitting: Regularisierung, Variablenselektion, Lasso
• Einfluss von Regularisierung und Validierung auf Bias und Varianz

Modul “Conformal Prediction”

Inhalte

• Grundidee der Conformal Prediction: Nicht-parametrische Vorhersageintervalle mit garantierter Überdeckungs-wahrscheinlichkeit.
• Ansätze: Full Conformal Prediction, Split Conformal Prediction, Conformalized Quantile Regression.

Modul “Transformation Models”

Inhalte

• Einführung in Transformationsmodelle (TRAM): Flexibles probabilistisches Modell zur Beschreibung der gesamten Zielverteilung – ohne Vorgabe einer
• Verteilungsfamilie und über den Mittelwert hinaus.
• Spezialfälle von TRAM: Lineare Regression, ordinale Regression, GLM.
• Modellierungskonzept: Zielverteilungen werden durch Transformationen dargestellt.
• Modellansatz: Kombination aus parametrischen und nichtparametrischen Komponenten; erklärbare Koeffizienten ermöglichen Steuerung von Flexibilität und Interpretierbarkeit.
• Anwendung: Fundierte Modellwahl durch Abwägung von Komplexität und Interpretierbarkeit für optimale Vorhersagequalität.

Modul “Multimodal Models”

Grundkonzept für die Kombination verschiedener Datenmodalitäten in einem interpretierbaren Modell (additive Terme pro Modalität, welche mit unterschiedlichen Modellarchitekturen modelliert werden), Vergleich mit Fusion-Ansätzen

Der Unterrichtsstoff wird mittels folgender Methoden vermittelt: Klassenunterricht, begleitetes Selbststudium (Praktische Arbeiten an Fallbeispielen mit Laptop), individuelles Selbststudium, individuelle Bearbeitung eines eigenen Datenanalyseprojektes mit Poster und Kurzpräsentation.

Der WBK findet einmal pro Woche jeweils am Donnerstag von 9-17 Uhr (8 Lektionen) statt. Der Kurs startet jeweils zwei Wochen vor den Frühlingsferien der Stadt Winterthur. Nach dem letzten Themenblock bekommen die Kursteilnehmer:innen zwei Wochen Zeit, um ihr Datenanalyseprojekt abzuschliessen sowie den Poster für die Poster-Session am Abschlusstag zu erstellen.

Stundenplan:

Explain or Predict I
09.04.2026, 09:00-12:30

Explain or Predict II
09.04.2026, 13:30-17:00

Explain or Predict III
16.04.2026, 09:00-12:30

Conformal Predicton I
16.04.2026, 13:30-17:00

Conformal Predicton II
07.05.2026, 09:00-12:30 

Transformationsmodelle I
07.05.2026, 13:30-17:00

Transformationsmodelle II
14.05.2026, 09:00-12:30

Multimodale Modelle I
14.05.2026, 13:30-17:00

Multimodale Modelle II
21.05.2026, 09:00-12:30

Poster-Session, Abschluss
11.06.2026, 09:00-12:30

Das Team der Dozierenden besteht aus nachfolgenden, ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich:

• Dr. Martin Frey
• Dr. Christoph Hofer
• Dr. Thoralf Mildenberger

Die Zulassung zu diesem Weiterbildungskurs setzt grundsätzlich einen Hochschulabschluss (Fachhochschule, HTL, HWV, Uni, ETH) voraus. Es können aber auch Praktikerinnen und Praktiker mit vergleichbarer beruflicher Kompetenz zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
Für die Zulassung muss mindestens ein eigenständig durchgeführtes Datenanalyseprojekt (z.B. Regressionsanalyse, Auswertung einer Umfrage, Klassifikation in R oder Python) vorgewiesen werden.