Kritisches Denken in Data Science mit Python

Wann wird aus einer Zahl eine Erkenntnis – und wann nur eine überzeugend wirkende Interpretation?

Data Science arbeitet mit Daten, Statistiken, Visualisierungen und Modellen. Doch keine dieser Methoden spricht für sich selbst.

Welche Daten erhoben werden, welche Merkmale berücksichtigt werden, welche Zusammenhänge untersucht werden und welche Schlussfolgerungen daraus entstehen, beruht immer auch auf Annahmen, Interpretationen und Entscheidungen.

Kritisches Denken in Data Science mit Python zeigt deshalb einen anderen Zugang zur Datenanalyse: Python, Statistik und Machine Learning werden nicht als neutrale Wahrheitsmaschinen verstanden, sondern als Werkzeuge für nachvollziehbare Erkenntnis und verantwortbare Entscheidungen.

Die zentrale Frage: Wie gelangen wir von Beobachtungen und Daten zu Urteilen, die sachlich begründet, kritisch geprüft und verantwortbar sind?

In diesem Buch erfährst du:warum Daten Beschreibungen der Wirklichkeit sind und nicht die Wirklichkeit selbstwie Beobachtung, Beschreibung und Erklärung voneinander unterschieden werdenwie Tatsachen, Interpretationen und Bewertungen sauber getrennt werden könnenwie aus Mustern Hypothesen entstehen und warum Korrelation keine Kausalität beweistwie deduktive, induktive und abduktive Argumente in Data Science geprüft werdenwie typische Fehlschlüsse und kognitive Verzerrungen zu falschen Schlussfolgerungen führenwie Python und Pandas für nachvollziehbare und überprüfbare Datenanalysen eingesetzt werdenwie Visualisierungen nicht nur dargestellt, sondern als Argumente kritisch gelesen werdenwie Train-Test-Split, Confusion Matrix, ROC, AUC und andere Modellkennzahlen sinnvoll interpretiert werdenwarum Overfitting und gute Kennzahlen noch keine guten Entscheidungen garantierenwie Entscheidungen unter Unsicherheit strukturiert vorbereitet und begründet werdenwarum Bias, Fairness, Transparenz, Erklärbarkeit und menschliche Verantwortung zu professioneller Data Science gehörenDaten sind nicht die Wirklichkeit

Ein Datensatz enthält immer nur ausgewählte Beobachtungen. Schon die Entscheidung darüber, was gemessen, gespeichert oder ausgeschlossen wird, prägt die spätere Analyse.

Kritische Data Science beginnt deshalb nicht mit dem Modelltraining, sondern mit der Frage, was die vorhandenen Daten tatsächlich beschreiben – und was nicht.

Python als Werkzeug der Urteilskraft

Python ermöglicht es, Daten systematisch zu untersuchen, Analysen reproduzierbar zu machen, Hypothesen zu prüfen und Argumente mit Daten zu stützen.

Doch Python erzeugt keine fertigen Urteile. Auch Pandas, Visualisierungen und Machine-Learning-Modelle nehmen dem Menschen nicht die Aufgabe ab, Ergebnisse einzuordnen, Annahmen zu prüfen und alternative Erklärungen zu berücksichtigen.

Ein gutes Modell ist noch keine gute Entscheidung

Hohe Accuracy, eine überzeugende AUC oder ein technisch leistungsfähiges Modell beantworten noch nicht die Frage, was getan werden sollte.

Das Buch zeigt, wie Alternativen, Konsequenzen, Risiken, Zielkonflikte und Unsicherheit in Entscheidungen einbezogen werden können. Denn Modelle liefern Informationen und Wahrscheinlichkeiten – Entscheidungen erfordern Bewertung und Urteilskraft.

Verantwortung endet nicht mit der Analyse

Data Science kann Menschen und Organisationen beeinflussen: bei Personalentscheidungen, Kreditvergabe, Medizin, Bildung, Wirtschaft oder automatisierten Systemen.

Deshalb behandelt das Buch auch Bias und Fairness, Transparenz und N[...]