From 42e610e6675e865f3f51ca0064e7e8f431cfd853 Mon Sep 17 00:00:00 2001
From: luebby <karsten@statistix.org>
Date: Wed, 14 Jun 2023 11:57:50 +0200
Subject: [PATCH] Typo - Danke @BiaKa
---
Module/Modul_02.Rmd | 4 ++--
Module/Modul_02_KI.Rmd | 4 ++--
Module/Modul_05_KI.Rmd | 13 +++++++------
3 files changed, 11 insertions(+), 10 deletions(-)
diff --git a/Module/Modul_02.Rmd b/Module/Modul_02.Rmd
index ef10e37..20952a0 100644
--- a/Module/Modul_02.Rmd
+++ b/Module/Modul_02.Rmd
@@ -283,9 +283,9 @@ question("Welches kausale Diagramm beschreibt den Zusammenhang zwischen Lichtsch
Manche glauben ja, dass Kinder auf Ihre Eltern hören. Das schöne an abstrakten, gedanklichen Welten ist, dass das dort realisiert werden kann.
-Variablen (Knoten), auf die eine Pfeilspitze zeigt, werden **Kinder** derjenigen Variablen genannt, von welchen die Pfeile ausgehen. Diese Variablen werden entsprechend **Eltern** genannt: $\text{Eltern} \rightarrow \text{Kinder}$. Im Beispiel von oben ist <blue> Schmerzrückgang </blue> ein Kind von <green> Tabletteneinnahme </green> – und dementsprechend <green> Tabletteneinnahme </green> Eltern von <blue> Schmerzrückgang</blue>. In kausalen Graphen höre Kinder also auf ihre Eltern.
+Variablen (Knoten), auf die eine Pfeilspitze zeigt, werden **Kinder** derjenigen Variablen genannt, von welchen die Pfeile ausgehen. Diese Variablen werden entsprechend **Eltern** genannt: $\text{Eltern} \rightarrow \text{Kinder}$. Im Beispiel von oben ist <blue> Schmerzrückgang </blue> ein Kind von <green> Tabletteneinnahme </green> – und dementsprechend <green> Tabletteneinnahme </green> Eltern von <blue> Schmerzrückgang</blue>. In kausalen Graphen hören Kinder also auf ihre Eltern.
-Ein Beispiel für ein kausales Diagramm welches beschreibt, wie eine Straße rutschig werden kann. Die Wahrscheinlichkeit von Regen hängt ab von der Jahreszeit. Die Jahreszeit beeinflusst aber auch, ob ein Wassersprenger zum Einsatz kommt. Sowohl Regen als auch Wassersprenger führen dazu, dass die Straße nass wird. Ist die Straße nass, kann es rutschig werden:
+Ein Beispiel für ein kausales Diagramm, welches beschreibt, wie eine Straße rutschig werden kann. Die Wahrscheinlichkeit von Regen hängt ab von der Jahreszeit. Die Jahreszeit beeinflusst aber auch, ob ein Wassersprenger zum Einsatz kommt. Sowohl Regen als auch Wassersprenger führen dazu, dass die Straße nass wird. Ist die Straße nass, kann es rutschig werden:
```{r DAG_Str, echo=FALSE, fig.align='center', out.width='85%'}
plot(DAG_Str)
diff --git a/Module/Modul_02_KI.Rmd b/Module/Modul_02_KI.Rmd
index ecc50d9..4f39bfd 100644
--- a/Module/Modul_02_KI.Rmd
+++ b/Module/Modul_02_KI.Rmd
@@ -284,9 +284,9 @@ question("Welches kausale Diagramm beschreibt den Zusammenhang zwischen Lichtsch
Manche glauben ja, dass Kinder auf Ihre Eltern hören. Das schöne an abstrakten, gedanklichen Welten ist, dass das dort realisiert werden kann.
-Variablen (Knoten), auf die eine Pfeilspitze zeigt, werden **Kinder** derjenigen Variablen genannt, von welchen die Pfeile ausgehen. Diese Variablen werden entsprechend **Eltern** genannt: $\text{Eltern} \rightarrow \text{Kinder}$. Im Beispiel von oben ist <blue> Schmerzrückgang </blue> ein Kind von <green> Tabletteneinnahme </green> – und dementsprechend <green> Tabletteneinnahme </green> Eltern von <blue> Schmerzrückgang</blue>. In kausalen Graphen höre Kinder also auf ihre Eltern.
+Variablen (Knoten), auf die eine Pfeilspitze zeigt, werden **Kinder** derjenigen Variablen genannt, von welchen die Pfeile ausgehen. Diese Variablen werden entsprechend **Eltern** genannt: $\text{Eltern} \rightarrow \text{Kinder}$. Im Beispiel von oben ist <blue> Schmerzrückgang </blue> ein Kind von <green> Tabletteneinnahme </green> – und dementsprechend <green> Tabletteneinnahme </green> Eltern von <blue> Schmerzrückgang</blue>. In kausalen Graphen hören Kinder also auf ihre Eltern.
-Ein Beispiel für ein kausales Diagramm welches beschreibt, wie eine Straße rutschig werden kann. Die Wahrscheinlichkeit von Regen hängt ab von der Jahreszeit. Die Jahreszeit beeinflusst aber auch, ob ein Wassersprenger zum Einsatz kommt. Sowohl Regen als auch Wassersprenger führen dazu, dass die Straße nass wird. Ist die Straße nass, kann es rutschig werden:
+Ein Beispiel für ein kausales Diagramm, welches beschreibt, wie eine Straße rutschig werden kann. Die Wahrscheinlichkeit von Regen hängt ab von der Jahreszeit. Die Jahreszeit beeinflusst aber auch, ob ein Wassersprenger zum Einsatz kommt. Sowohl Regen als auch Wassersprenger führen dazu, dass die Straße nass wird. Ist die Straße nass, kann es rutschig werden:
```{r DAG_Str, echo=FALSE, fig.align='center', out.width='85%'}
plot(DAG_Str)
diff --git a/Module/Modul_05_KI.Rmd b/Module/Modul_05_KI.Rmd
index e0a5be6..9e03097 100644
--- a/Module/Modul_05_KI.Rmd
+++ b/Module/Modul_05_KI.Rmd
@@ -101,7 +101,7 @@ Oder etwa doch?
Robert Matthews hat sich Anfang des Jahrtausend die Mühe gemacht Daten für die Fragestellung zu sammeln ([Quelle](https://doi.org/10.1111/1467-9639.00013)):
-```{r scatter, echo=FALSE, fig.align='center', out.width='85%'}
+```{r scatter, echo=FALSE, fig.align='center', out.width='85%', warning=FALSE}
gf_point(geburten ~ stoerche, data = StoercheGeburten, size = 2, alpha = 0.7) %>%
gf_lm() %>%
gf_lims(x=c(0,35000), y=c(0,2000000)) %>%
@@ -117,9 +117,9 @@ Sie sehen: Es gibt Länder mit vielen Störchen – und gleichzeitig mit vie
```{r zusammenhang, echo=FALSE}
question("Wie ist der Zusammenhang zwischen der Anzahl der Störche und der Anzahl der Geburten über die $17$ abgebildeten Länder?",
- answer("Es gibt einen positiven Zusammenhang zwischen der Anzahl Störche ($x$) und der Anzahl Geburten ($y$).", correct = TRUE, message = "In Ländern mit relativ vielen Geburten gibt es tendenziell auch relativ viele Störche. Dies ist auch an der eingezeichneten Regressionsgerade zu erkennen, die von links unten nach rechts oben verläuft."),
- answer("Es gibt keinen erkennbaren Zusammenhang zwischen der Anzahl Störche ($x$) und der Anzahl Geburten ($y$)."),
- answer("Es gibt einen negativen Zusammenhang zwischen der Anzahl Störche ($x$) und der Anzahl Geburten ($y$)."),
+ answer("Es gibt einen positiven Zusammenhang zwischen der Anzahl Störche $x$ und der Anzahl Geburten $y$.", correct = TRUE, message = "In Ländern mit relativ vielen Geburten gibt es tendenziell auch relativ viele Störche. Dies ist auch an der eingezeichneten Regressionsgerade zu erkennen, die von links unten nach rechts oben verläuft."),
+ answer("Es gibt keinen erkennbaren Zusammenhang zwischen der Anzahl Störche $x$ und der Anzahl Geburten $y$."),
+ answer("Es gibt einen negativen Zusammenhang zwischen der Anzahl Störche $x$ und der Anzahl Geburten $y$."),
allow_retry = TRUE,
correct = random_praise(),
incorrect = random_encouragement()
@@ -225,7 +225,7 @@ Eine solche gemeinsame Ursache wird **Confounder** genannt.
(Natürlich gibt es potentiell noch zahlreiche weitere gemeinsame Ursachen der <green>Anzahl Störche</green> ($\color{green}{X}$) und der <blue>Anzahl Geburten</blue> ($\color{blue}{Y}$).)
```{r confounder, echo=FALSE}
-question("Hängt der Wert von Fläche ($\\color{violet}{Z}$) kausal von der Anzahl Störche ($\\color{green}{X}$) ab?",
+question("Hängt der Wert von Fläche $\\color{violet}{Z}$ kausal von der Anzahl Störche $\\color{green}{X}$ ab?",
answer("Ja"),
answer("Nein", correct = TRUE, message = "Das beschriebene Kausalmodell lautet $\\text{Anzahl Störche} \\leftarrow \\text{Fläche}$. Die Anzahl Störche *hört* auf die Fläche, aber die Fläche **hört nicht** auf die Anzahl Störche. Mehr Störche können die Fläche nicht ändern, die Fläche aber die Anzahl Störche."),
allow_retry = TRUE,
@@ -251,7 +251,7 @@ Wird der Wert von $\color{violet}{Z}$ geändert ($do(z)$), ändern sich die Wert
```{r fork, echo=FALSE}
message <- "Änderungen werden in Pfeilrichtung weitergegeben, eine Intervention von $\\color{green}{X}$ ändert *nicht* den Wert von $\\color{violet}{Z}$ – und als Folge auch nicht den von $\\color{blue}{Y}$."
-question("Ändert sich in der Kette der Wert von $\\color{blue}{Y}$, wenn eine Intervention auf $\\color{green}{X}$ erfolgt ($do(x)$)? ",
+question("Ändert sich in der Gabel der Wert von $\\color{blue}{Y}$, wenn eine Intervention auf $\\color{green}{X}$ erfolgt - $do(x)$? ",
answer("Ja"),
answer("Nein", correct = TRUE, message = message),
allow_retry = TRUE,
@@ -362,6 +362,7 @@ cor.test(x1 ~ x2, data = RandomWalk)
```
+
## KI-Campus
[Zurück zum Kurs](https://learn.ki-campus.org/courses/7c8012d9-8729-4462-9ad0-be7d71118f37/launch)
--
GitLab