Zurück zu allen Blogbeiträgen

APA Formatierung von Tabellen

  • R
  • Statistics & Methods
15. Mai 2017
·

Team statworx

Standards für die Formatierung von Tabellen oder die einheitliche Verwendung von Abkürzungen setzen sich immer mehr durch. Egal, ob für die Hausarbeit, die Promotion oder für die Veröffentlichung in einem wissenschaftlichen Journal - Stil und Format einer Arbeit müssen einer bestimmten Anforderung genügen. Die Standards von der American Psychological Association (APA) sind dabei nicht nur in der Psychologie weit verbreitet. Auch wir bei statworx greifen gerne darauf zurück, da nach APA formatierte Tabellen optisch was her machen. Doch wie genau müssen meine Ergebnistabellen gestaltet sein und kann ich mir die Arbeit irgendwie erleichtern? Genau auf diese Fragen bekommst du hier eine Antwort.

Übersicht zum APA Standard

Die APA publiziert in unregelmäßigen Abständen von mehreren Jahren einen Leitfaden zur Veröffentlichung wissenschaftlicher Artikel, das sogenannte Publication Manual. Dort enthalten sind Vorgaben für fast jede Frage zum Thema Aufbau einer wissenschaftlichen Arbeit, Schreibstil, Zitieren oder eben die verständliche Darstellung von empirischen Ergebnissen als Tabelle. Aktuell gilt die sechste Auflage aus dem Jahr 2010, welche auch Grundlage aller Angaben in diesem Beitrag ist.

Allgemeine Vorgaben für Tabellen

Sollen Ergebnisse präsentiert werden, stellt sich als erstes die Frage, ob überhaupt Tabellen nötig sind. Das Publication Manual rät selektiv vorzugehen und sich drei Aspekte vor Augen zu führen. Zum einen kann es für den Leser sehr anstrengend sein, wenn viele Tabellen durchgearbeitet werden müssen. Zudem wird es schwieriger, einem Text gedanklich zu folgen, wenn er zu häufig durch Tabellen unterbrochen wird. Letztlich lassen sich bestimmte Informationen (wie das Ergebnis einer einzigen Varianzanalyse) auch leicht in den Text integrieren.

Es gilt also der Grundsatz, der auch allgemein für die Statistik gilt: Gut geplant, ist halb gewonnen. Tabellen um jeden Preis gilt es daher zu vermeiden. Bieten sie wirklich einen Mehrwert, gilt es diese gut in den Text zu intergrieren. Aber Achtung: Im Publication Manual ist eindeutig beschrieben, dass Tabellen für sich verständlich sein sollen. Abkürzungen müssen daher auch dort erklärt werden.

Zudem sollen Tabellen mit Zahlen beschriftet werden und zwar in der Reihenfolge, in der sie im Text erwähnt werden. Dabei soll die Beschriftung Tabelle $1$, Tabelle $2$ und Tabelle $3$ lauten und keine Suffixe wie Tabelle $1a$ und $1b$ verwendet werden. Zudem muss auf jede Tabelle im Text Bezug genommen werden. Dabei sind diese Bezüge eindeutig herzustellen, zum Beispiel mit "wie in Tabelle $1$ abgebildet, ...". Referenzierungen wie "siehe obige Tabelle" oder "die Tabelle auf Seite $32$" sollen nicht verwendet werden. Tabellen im Anhang sollen zusätzlich mit Großbuchstaben dem jeweiligen Abschnitt zugeordnet werden. Tabelle $A1$ wäre dementsprechen die erste Tabelle im Anhang $A$.

Tabellen nach APA-Standards

Schauen wir uns jetzt an, wie Tabellen nach APA-Standards im Detail aussehen sollen. Da Bilder mehr als Worte sagen, hier ein Beispiel wie eine einfache Tabelle nach APA-Standards aussieht.

Gemäß den Standards wurden so wenige horizontale Linien wie möglich verwendet und überhaupt keine vertikalen Linien. Übersichtlichkeit wurde mehr durch freie Zeilen und Spalten zwischen einzelnen Aspekten erzeugt. Als Schriftart wurde Times New Roman mit einer Schriftgröße von $12$ pt gewählt, was prinzipiell empfohlen wird. Die Schriftart sollte aber nicht vom restlichen Text abweichen. Sowohl der Titel der Tabelle als auch die jeweiligen Abkürzungen und das Wort "Anmerkungen" sind kursiv geschrieben.

Die allgemeinen Anmerkungen für die Tabelle erscheinen als erstes unter der Tabelle, einschließlich der Definition von Abkürzungen. Einzelne Anmerkungen und Erklärung von Abkürzungen enden mit einem Punkt und werden so untereinander getrennt. Ebenfalls zu den allgemeinen Anmerkungen gehören Copyright-Angaben und diese sollten natürlich immer angegeben werden.

In einer separaten Zeile unter den allgemeinen Anmerkungen folgen die spezifischen Anmerkungen. Sie werden mit kleinen Buchstaben symbolisiert und der Reihe nach von links nach rechts und von oben nach unten vergeben. Begonnen wird dabei oben links. Mehrere spezifische Anmerkungen werden direkt hintereinander geschrieben und erneut durch einen Punkt getrennt.

Ganz am Ende der Anmerkungen stehen jene zum Signifikanzniveau. Sie beginnen ebenfalls in einer neuen Zeile und werden jeweils durch einen Punkt getrennt. Angaben kleiner als "*** $p \lt .001$" (nicht im Beispiel dargestellt) sollten dabei nicht verwendet werden. Falls es nötig ist zwischen ein- und zweiseitigen p-Werten zu unterscheiden, wird das *-Symbol für zweiseitige und ein anderes Symbol für die einseitigen p-Werte verwendet. Beispielsweise: "* $p \lt .05$, zweiseitig. † $p \lt .05$, einseitig.". Da die Angabe eines exakten p-Werts immer informativer als die Einteilung in kleiner als $.05$ oder $.01$ ist, wird empfohlen p-Werte direkt in der Tabelle bis auf die zweite oder dritte Nachkommastelle anzugeben.

Neben den Anmerkungen sind auch Konfidenzintervalle in der Tabelle abgetragen. Früher wurden häufig nur die Punktschätzungen zusammen mit dem p-Wert angegeben, heutzutage wird aber empfohlen, auch die Konfidenzintervalle zu berichten. Das dazugehörige Konfidenzniveau ist jeweils explizit genannt (hier $95%$ ), was unbedingt getan werden sollte. Üblicherweise wird zudem das gleiche Konfidenzniveau für alle Berechnungen eines Artikels verwendet. Da aber jede Tabelle für sich verständlich sein soll, muss das Konfidenzniveau jeweils klar gekennzeichnet sein. Die im Beispiel gewählte Darstellung in eckigen Klammern ist dabei nicht die einzige Option. Man kann die untere und obere Grenze des Konfidenzintervalls auch jeweils in einer separaten Spalte darstellen. Dies ist an der nachfolgenden Tabelle nochmals verdeutlicht.

Spezielle Ergebnistabellen

Je nach angewandtem statistischen Verfahren gibt es natürlich andere Kennzahlen, die unbedingt dem Leser präsentiert werden müssen. Daher findest du nachfolgend nochmal $3$ unterschiedliche Tabellen, die jeweils einen anderen Aspekt verdeutlichen sollen. So bekommst du hoffentlich eine Idee, wie eine Tabelle nach APA-Standard allgemein am besten aussieht.

Beginnen wir mit einer Tabelle, die deskriptive Analysen beinhaltet. Die Werte sind dabei getrennt für Männer und Frauen präsentiert. Als besonderes Merkmal ist hier der Wert für Cronbachs $alpha$ zu nennen, der ohne führende $0$ berichtet wird, da der Wert nicht größer als $1$ werden kann. Zusätzlich dazu ist eine Erklärung des Wertebereiches enthalten und zwar, wie groß dieser theoretisch ist und wie breit er mit den Daten tatsächlich war. Abschließend sei noch zu nennen, dass in den allgemeinen Anmerkungen der Grund für die unterschiedlichen Stichprobengrößen spezifiziert ist.

Als nächstes ist eine Tabelle dargestellt, die alle relevanten Informationen für einen t-Test bei abhängigen Stichproben enthält. Entscheidend ist dabei, dass sowohl der Mittelwert als auch die Standardabweichung für jeden Zeitpunkt genannt ist. Aber auch die Freiheitsgrade des t-Tests (hier $52$) sowie das Konfidenzintervall und die Effektstärke (Cohens d) sind dargestellt und gehören zu einer solch zusammenfassenden Tabelle.

Als letztes noch eine Tabelle für eine lineare Regression, das wohl am häufigsten angewandte statistische Verfahren. Die Tabelle beinhaltet dabei $2$ verschiedene Modelle, es handelt sich also um eine stufenweife Regression. Im ersten Schritt sind nur die Kontrollvariablen aufgenommen und im zweiten Schritt zusätzlich die relevanten Prädiktoren. Neben den unstandardisierten Regressionskoeffizienten ist für das erste Modell bereits auch das $R^2$ und der dazugehörige F-Wert enthalten. Zusammen mit der in den allgemeinen Anmerkungen genannten Stichprobengröße reichen diese Informationen aus, um das erste Modell zu beurteilen. Für das zweite Modell sind die gleichen Informationen in der Tabelle zu finden, aber zusätzlich noch das Konfidenzintervall sowie das $Delta R^2$ und $Delta F$. Die Konfidenzintervalle sind wichtig, um den geschätzen Bereich zu sehen, in dem der wahre Wert der Regressionskoeffizienten wahrscheinlich liegt. Mit dem $Delta R^2$ und $Delta F$ wird beurteilt, ob die Aufnahme der $5$ relevanten Prädiktoren zusätzlich zu den Kontrollvariablen signifikant Varianz von der abhängigen Variable aufklären. Nimmt man all diese Informationen zusammen, ergibt sich ein rundes Bild, wie die Prädiktoren mit der abhängigen Variable zusammenhängen.

Tabellen nach APA in R

Tabellen nach APA manuell zu erstellen, wäre zwar den Aufwand der übersichtlichen Darstellung allemal Wert, aber in Zeiten von Statistikprogrammen kann man sich (zum Glück) auch diese Arbeit sparen. Na, sagen wir zumindest erleichtern.

In dem Programm R gibt es ein recht neues Paket mit dem eindeutigen Namen "apaTables". Damit kann man sich fast schon mühelos Tabellen in Word nach den APA-Richtlinien erstellen lassen. Dabei sind Tabellen für Varianzanalysen (mit und ohne Messwiederholung), Effektstärken (Cohen's $delta$ und $eta^2$), Korrelationen und Regressionen aktuell möglich. Für die Regression kann man sich sogar Bootstrap-Konfidenzintervalle erzeugen lassen.

Als Beispiel erstellen wir nachfolgend einmal eine Korrelationstabelle:

# Paket installieren und laden
install.packages("apaTables")
library(apaTables)

# Beispieldatensatz laden
data(attitude)

# Aufbau des Datensatzes
head(attitude)

# Korrelationstabelle nach APA-Standards
apa.cor.table(attitude, filename = "Korrelationen.doc")
   rating complaints privileges learning raises critical advance
 1     43         51         30       39     61       92      45
 2     63         64         51       54     63       73      47
 3     71         70         68       69     76       86      48
 4     61         63         45       47     54       84      35
 5     81         78         56       66     71       83      47
 6     43         55         49       44     54       49      34

Der Befehl apa.cor.table() berechnet für alle Variablen im Datensatz attitude die bivariate Pearson-Korrelation und stellt sie zusammen mit dem dazugehörigen Konfidenzintervall in einer Tabelle nach APA-Richtlinien dar. Diese wird in der Datei "Korrelation.doc" gespeichert und enthält dann folgende Tabelle:

Die Tabelle sieht schon sehr gut aus, zwei Punkte müssen aber auf jeden Fall noch manuell geändert werden. Vor den *-Angaben zu den p-Werten muss ein Absatz eingefügt werden, da diese Anmerkungen laut APA-Standard in einer eigenen Zeile stehen sollen. Außerdem müssen die Zahlen in allen Zellen zentriert werden. Davon abgesehen werden in dieser (in wenigen Sekunden erstellten!) Tabelle viele APA-Standards berücksichtigt. Beispielsweise sind die Bezeichnungen M für Mittelwert und SD für Standardabweichung kursiv geschrieben, was immer getan werden soll, wenn lateinische Buchstaben als Abkürzung für statistische Kennwerte verwendet werden. Außerdem ist auch die $0$ vor dem Dezimalpunkt bei den Korrelationen und dem p-Wert immer weggelassen, was bei Zahlen, die nicht größer als $|1|$ werden können, der Standard ist.

Tabellen nach APA in SPSS

Auch im Programm SPSS kann man sich die Arbeit erleichtern und Tabellen direkt nach APA ausgeben lassen. Dazu muss man unter SPSS > Einstellungen... in dem sich neu öffnenden Fenster Pivot-Tabellen auswählen. Dort kann man die allgemeine Vorlage für Ergebnistabellen einstellen.

Die hier verwendete Vorlage "APA_TimesRoman_12pt" ist allerdings nicht standardmäßig in SPSS implementiert. Sie muss manuell erzeugt werden, was den Vorteil hat, dass neue APA-Standards oder spezielle, zusätzliche Anforderungen manuell implementiert werden können. Die im Beispiel dargestellte Vorlage kannst du hier herunterladen. Diese musst du dann in den Ordner "Looks" von SPSS einfügen und anschließend in SPSS als Standard auswählen. Der Ordner "Looks" findet sich dort, wo du SPSS installiert hat. Ansonsten ist die Umarbeitung einer bereits bestehenden Vorlage vielfach im Internet dokumentiert.

Zusammenfassung

Korrekt nach APA formatierte Tabellen zu erstellen, war früher viel Aufwand, aber mit der Hilfe moderner Statistikprogramme hat sich dieser bereits stark reduziert. Die Mühe sind sie auf jeden Fall wert, denn richtig erstellt, können sie sich nicht nur sehen, sondern auch gut lesen lassen. Falls du noch mehr über APA-Standards wissen möchtest oder Hilfe bei der Aufbereitung deiner statistischen Resultate benötigst, helfen wir dir bei statworx natürlich auch gerne weiter (direkt Kontakt aufnehmen).

Referenzen

  • American Psychological Association, Publication Manual of the American Psychological Association(6. edition). Washington, DC 2010. ISBN: 978-1-4338-0561-5.
Linkedin Logo
Marcel Plaschke
Head of Strategy, Sales & Marketing
Beratung vereinbaren
Zugehörige Leistungen
No items found.

Weitere Blogartikel

  • Artificial Intelligence
AI Trends Report 2025: Die 16 Trends im Überblick
Tarik Ashry
05. Februar 2025
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
Explainable AI in der Praxis: Mit der richtigen Methode die Black Box öffnen
Jonas Wacker
15. November 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • GenAI
Wie ein CustomGPT Effizienz und Kreativität bei hagebau fördert
Tarik Ashry
06. November 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Data Science
  • Deep Learning
  • GenAI
  • Machine Learning
AI Trends Report 2024: statworx COO Fabian Müller zieht eine Zwischenbilanz
Tarik Ashry
05. September 2024
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Der AI-Act ist da – diese Risikoklassen sollte man kennen
Fabian Müller
05. August 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 4)
Tarik Ashry
31. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 3)
Tarik Ashry
24. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 2)
Tarik Ashry
17. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 1)
Tarik Ashry
10. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Generative KI als Denkmaschine? Ein medientheoretischer Blick
Tarik Ashry
13. Juni 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Maßgeschneiderte KI-Chatbots: Hohe Leistung und schnelle Integration vereint
Tarik Ashry
10. April 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Human-centered AI
Wie Führungskräfte die Datenkultur im Unternehmen stärken können
Tarik Ashry
21. Februar 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Human-centered AI
KI in der Arbeitswelt: Wie wir Skepsis in Zuversicht verwandeln
Tarik Ashry
08. Februar 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Science
Wie wir für Microsoft einen Chatbot mit echtem Wissen entwickelt haben
Team statworx
27. September 2023
Mehr erfahren
  • Data Science
  • Data Visualization
  • Frontend Solution
Warum Frontend-Entwicklung in Data Science-Anwendungen nützlich ist
Jakob Gepp
30. August 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • statworx
the byte - Wie wir ein KI-gesteuertes Pop-up Restaurant aufgebaut haben
Sebastian Heinz
14. Juni 2023
Mehr erfahren
  • Artificial Intelligence
  • Recap
  • statworx
Big Data & AI World 2023 Recap
Team statworx
24. Mai 2023
Mehr erfahren
  • Data Science
  • Human-centered AI
  • Statistics & Methods
Die Black-Box entschlüsseln – 3 Explainable AI Methoden zur Vorbereitung auf den AI-Act
Team statworx
17. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Wie der AI-Act die KI-Branche verändern wird: Alles, was man jetzt darüber wissen muss
Team statworx
11. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
Genderdarstellung in der KI – Teil 2: Automatisierte Erzeugung genderneutraler Versionen von Gesichtsbildern
Team statworx
03. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Statistics & Methods
Ein erster Einblick in unser Forecasting Recommender Tool
Team statworx
26. April 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
Vom Können, Tun und Wollen – Warum Datenkultur und Death Metal einiges miteinander gemeinsam haben
David Schlepps
19. April 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
GPT-4 – Eine Einordnung der wichtigsten Neuerungen
Mareike Flögel
17. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Strategy
Das Geheimnis der Datenkultur entschlüsseln: Diese Faktoren beeinflussen Kultur und Erfolg von Unternehmen
Team statworx
16. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Wie man KI-generierte Avatare mit Hilfe von Stable Diffusion und Textual Inversion erstellt
Team statworx
08. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Knowledge Management mit NLP: So einfach verarbeitet man E-Mails mit KI
Team statworx
02. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
3 Anwendungsfälle, wie ChatGPT die Kommunikation in Unternehmen revolutionieren wird
Ingo Marquart
16. Februar 2023
Mehr erfahren
  • Recap
  • statworx
Ho ho ho – weihnachtlicher Küchenabriss
Julius Heinz
22. Dezember 2022
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Real-time Computer Vision: Gesichter erkennen mit einem Roboter
Sarah Sester
30. November 2022
Mehr erfahren
  • Data Engineering
  • Tutorial
Data Engineering – From Zero to Hero
Thomas Alcock
23. November 2022
Mehr erfahren
  • Recap
  • statworx
statworx @ UXDX Conf 2022
Markus Berroth
18. November 2022
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
  • Tutorial
Paradigmenwechsel in NLP: 5 Ansätze, um bessere Prompts zu schreiben
Team statworx
26. Oktober 2022
Mehr erfahren
  • Recap
  • statworx
statworx @ vuejs.de Conf 2022
Jakob Gepp
14. Oktober 2022
Mehr erfahren
  • Data Engineering
  • Data Science
Überwachung und Protokollierung von Anwendungen und Infrastruktur: Metriken und (Ereignis-)Protokolle
Team statworx
29. September 2022
Mehr erfahren
  • Coding
  • Data Science
  • Machine Learning
Zero-Shot Textklassifikation
Fabian Müller
29. September 2022
Mehr erfahren
  • Cloud Technology
  • Data Engineering
  • Data Science
Wie du dein Data Science Projekt fit für die Cloud machst
Alexander Broska
14. September 2022
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
Geschlechter­darstellung in der KI – Teil 1: Verwendung von StyleGAN zur Erforschung von Geschlechter­vielfalt bei der Bild­bearbeitung
Isabel Hermes
18. August 2022
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
statworx AI Principles: Warum wir eigene KI-Prinzipien entwickeln
Team statworx
04. August 2022
Mehr erfahren
  • Data Engineering
  • Data Science
  • Python
Wie Du Deinen Code und Deine Abhängigkeiten in Python scannst
Thomas Alcock
21. Juli 2022
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Data-Centric AI: Von Model-First zu Data-First KI-Prozessen
Team statworx
13. Juli 2022
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Human-centered AI
  • Machine Learning
DALL-E 2: Warum Diskriminierung in der KI-Entwicklung nicht ignoriert werden kann
Team statworx
28. Juni 2022
Mehr erfahren
  • R
Das helfRlein Package – Eine Sammlung nützlicher Funktionen
Team statworx
23. Juni 2022
Mehr erfahren
  • Recap
  • statworx
Unfold 2022 in Bern – by Cleverclip
Team statworx
11. Mai 2022
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
  • Machine Learning
Vorurteile in KI abbauen
Team statworx
08. März 2022
Mehr erfahren
  • Artificial Intelligence
  • Cloud Technology
  • Data Science
  • Sustainable AI
Wie du als Data Scientist deinen KI CO₂ Fußabdruck verringerst
Team statworx
02. Februar 2022
Mehr erfahren
  • Recap
  • statworx
2022 und die Reise zu statworx next
Sebastian Heinz
06. Januar 2022
Mehr erfahren
  • Recap
  • statworx
5 Highlights vom Digital Festival Zürich 2021
Team statworx
25. November 2021
Mehr erfahren
  • Data Science
  • Human-centered AI
  • Machine Learning
  • Strategy
Warum Data Science und KI-Initiativen scheitern – eine Reflektion zu nicht-technischen Faktoren
Team statworx
22. September 2021
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
  • Machine Learning
  • statworx
Kolumne: Mensch und Maschine Seite an Seite
Sebastian Heinz
03. September 2021
Mehr erfahren
  • Coding
  • Data Science
  • Python
Wie man mit Call Graph automatisch Projektgrafiken erstellt
Team statworx
25. August 2021
Mehr erfahren
  • Coding
  • Python
  • Tutorial
statworx Cheatsheets – Python Basics Cheatsheet für Data Science
Team statworx
13. August 2021
Mehr erfahren
  • Data Science
  • statworx
  • Strategy
STATWORX meets DHBW – Data Science Real-World Use Cases
Team statworx
04. August 2021
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Machine Learning Modelle bereitstellen und skalieren mit Kubernetes
Team statworx
29. Juli 2021
Mehr erfahren
  • Cloud Technology
  • Data Engineering
  • Machine Learning

3 Szenarien zum Deployment von Machine Learning Workflows mittels MLflow
Team statworx
30. Juni 2021
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning

Car Model Classification III: Erklärbarkeit von Deep Learning Modellen mit Grad-CAM
Team statworx
19. Mai 2021
Mehr erfahren
  • Artificial Intelligence
  • Coding
  • Deep Learning
Car Model Classification II: Deployment von TensorFlow-Modellen in Docker mit TensorFlow Serving
Team statworx
12. Mai 2021
Mehr erfahren
  • Coding
  • Deep Learning
Car Model Classification I: Transfer Learning mit ResNet
Team statworx
05. Mai 2021
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Car Model Classification IV: Integration von Deep Learning Modellen mit Dash
Dominique Lade
05. Mai 2021
Mehr erfahren
  • AI Act
Potenzial noch nicht ausgeschöpft – Ein Kommentar zur vorgeschlagenen KI-Regulierung der EU
Team statworx
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • statworx
Creaition – Revolutionierung des Designprozesses mit Machine Learning
Team statworx
31. März 2021
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Machine Learning
5 Typen von Machine Learning Algorithmen (Mit Anwendungsfällen)
Team statworx
24. März 2021
Mehr erfahren
  • Recaps
  • statworx
2020 – Ein Rückblick für mich und GPT-3
Sebastian Heinz
23. Dezember 2020
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
5 praxisnahe Beispiele für NLP Use Cases
Team statworx
12. November 2020
Mehr erfahren
  • Data Science
  • Deep Learning
Die 5 wichtigsten Use Cases für Computer Vision
Team statworx
05. November 2020
Mehr erfahren
  • Data Science
  • Deep Learning
Neue Trends im Natural Language Processing – Wie NLP massentauglich wird
Dominique Lade
29. Oktober 2020
Mehr erfahren
  • Data Engineering
5 Technologien, die jeder Data Engineer kennen sollte
Team statworx
22. Oktober 2020
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Machine Learning
Generative Adversarial Networks: Wie mit Neuronalen Netzen Daten generiert werden können
Team statworx
15. Oktober 2020
Mehr erfahren
  • Coding
  • Data Science
  • Deep Learning
Finetuning von Tesseract-OCR für deutsche Rechnungen
Team statworx
08. Oktober 2020
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
Whitepaper: Ein Reifegradmodell für Künstliche Intelligenz
Team statworx
06. Oktober 2020
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Machine Learning Modelle mit Hilfe von Docker Containern bereitstellen
Thomas Alcock
01. Oktober 2020
Mehr erfahren
  • Recap
  • statworx
STATWORX 2.0 – Das neue Headquarter in Frankfurt ist eröffnet
Julius Heinz
24. September 2020
Mehr erfahren
  • Machine Learning
  • Python
  • Tutorial
Wie man eine Machine Learning API mit Python und Flask erstellt
Team statworx
29. Juli 2020
Mehr erfahren
  • Data Science
  • Statistics & Methods
Modellregularisierung – The Bayesian Way
Thomas Alcock
15. Juli 2020
Mehr erfahren
  • Recap
  • statworx
Auf zu neuen Abenteuern: Soft Opening des STATWORX Büros
Team statworx
14. Juli 2020
Mehr erfahren
  • Data Engineering
  • R
  • Tutorial
Wie Du ShinyApps in Docker-Images einbauen kannst
Team statworx
15. Mai 2020
Mehr erfahren
  • Coding
  • Python
Making Of: Eine kostenlose API für COVID-19-Daten
Sebastian Heinz
01. April 2020
Mehr erfahren
  • Frontend
  • Python
  • Tutorial
Wie Du ein Dashboard In Python baust – Plotly Dash Step-by-Step Tutorial
Alexander Blaufuss
26. März 2020
Mehr erfahren
  • Coding
  • R
Warum heißen sie so?! – Ursprung und Bedeutung von R-Paketnamen
Team statworx
19. März 2020
Mehr erfahren
  • Data Visualization
  • R
Gemeinschaftsdetektion mit Louvain und Infomap
Team statworx
04. März 2020
Mehr erfahren
  • Coding
  • Data Engineering
  • Data Science
Testen von REST-APIs mit Newman
Team statworx
26. Februar 2020
Mehr erfahren
  • Coding
  • Frontend
  • R
Dynamische UI-Elemente in Shiny - Teil 2
Team statworx
19. Februar 2020
Mehr erfahren
  • Coding
  • Data Visualization
  • R
Animierte Plots mit ggplot und gganimate
Team statworx
14. Februar 2020
Mehr erfahren
  • Machine Learning
Machine Learning Goes Causal II: Der kausale Bruder des Random Forests
Team statworx
05. Februar 2020
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
  • Statistics & Methods
Machine Learning Goes Causal I: Warum Kausalität wichtig ist
Team statworx
29.01.2020
Mehr erfahren
  • Data Engineering
  • R
  • Tutorial
Wie man REST-APIs mit R Plumber erstellt
Stephan Emmer
23. Januar 2020
Mehr erfahren
  • Recaps
  • statworx
statworx 2019 – Ein Jahresrückblick
Sebastian Heinz
20. Dezember 2019
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
Deep Learning – Überblick und Einstieg
Team statworx
04. Dezember 2019
Mehr erfahren
  • Coding
  • Machine Learning
  • R
Abstimmung von Random Forest auf Zeitreihendaten
Team statworx
21. November 2019
Mehr erfahren
  • Data Science
  • R
Kombination von Preiselastizitäten und Verkaufsprognosen zur Verkaufssteigerung
Team statworx
06. November 2019
Mehr erfahren
  • Data Engineering
  • Python
Von überall aus auf deinen Spark-Cluster zugreifen – mit Apache Livy
Team statworx
30. Oktober 2019
Mehr erfahren
  • Recap
  • statworx
STATWORX auf Tour: Wein, Burgen & Wandern!
Team statworx
18. Oktober 2019
Mehr erfahren
  • Data Science
  • R
  • Statistics & Methods
Wie man eine Kreuzvalidierung zur Evaluation der Modellperformance von Grund auf selbst erstellt
Team statworx
02. Oktober 2019
Mehr erfahren
  • Data Science
  • Machine Learning
  • R
Zeitreihenvorhersage mit Random Forest
Team statworx
25. September 2019
Mehr erfahren
  • Coding
  • Frontend
  • R
Dynamische UI Elemente in Shiny – Teil 1
Team statworx
11. September 2019
Mehr erfahren
  • Machine Learning
  • R
  • Statistics & Methods
Was dem MAPE fälschlicherweise vorgeworfen wird, seine WAHREN Schwächen und BESSERE Alternativen!
Team statworx
16. August 2019
Mehr erfahren
  • Coding
  • Python
Web Scraping 101 in Python mit Requests & BeautifulSoup
Team statworx
31. Juli 2019
Mehr erfahren
  • Coding
  • Frontend
  • R
Einstieg in Flexdashboards in R
Thomas Alcock
19. Juli 2019
Mehr erfahren
  • Recap
  • statworx
statworx Sommer-Barbecue 2019
Team statworx
21. Juni 2019
Mehr erfahren
  • Data Visualization
  • R
Interaktive Netzwerkvisualisierung mit R
Team statworx
12. Juni 2019
Mehr erfahren
  • Deep Learning
  • Python
  • Tutorial
Verwendung von Reinforcement Learning zum Spielen von Super Mario Bros auf NES mit TensorFlow
Sebastian Heinz
29. Mai 2019
Mehr erfahren
This is some text inside of a div block.
This is some text inside of a div block.