Informatik (Master)

Modulübersicht: Angewandte Informatik

Data Science

Empfohlene Vorkenntnisse

Mathematik / Statistik aus vorangegangenem (Bachelor-)Studium

Vorlesung Datenbanksysteme 2

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Erfolgreiche Teilnehmer*innen

  • haben die grundlegenden Methoden und Verfahren der Statistik und der Data Science gelernt und können diese anwenden. Sie können Data-Science-Fragestellungen modellieren, Lösungsansätze praktisch umsetzen und die Ergebnisse beurteilen.
  • kennen die unterschiedlichen methodische Ansätze innerhalb der Data Science und können Methoden aus dem Repertoire passend zur Problemstellung auswählen. Sie sind in der Lage, diese Methoden anzuwenden und die Voraussetzungen für deren Anwendung zu beurteilen.
  • haben die (theoretischen) Eigenschaften der verwendeten Algorithmen und Methoden und ihre (praktischen) Auswirkungen verstanden, so dass die sie eigenständig praktische Anwendungen durchführen können.
Dauer  1
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Data Science" (K60)

"Praktikum Data Science" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Janis Keuper

Max. Teilnehmer 15
Empf. Semester 1-2
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Master Studiengang INFM

Master Studiengang WINM

Veranstaltungen

Data Science

Art Vorlesung
Nr. EMI2124
SWS 2.0
Lerninhalt

  • Mathematische Grundlagen der Data Science
  • Data Science Prozess nach CRISP
  • Explorative Datenanalyse
  • Aufgaben und Verfahren des Maschinellen Lernens
  • Data Science Werkzeuge (Programmiersprachen R oder Python, grafische Werkzeuge)
  • Ethische und rechtliche Aspekte

Literatur

Provost F, Fawcett T: Data science for business. O'Reilly, Sebastopol, Calif. (2013)
Abott, D: Applied Predictive Analytics, Wiley (2014)
Grolemund, G, Wickham, H: R for Data Science, O'Reilly (2017)

Praktikum Data Science

Art Labor
Nr. EMI2125
SWS 2.0
Lerninhalt

  • Data Science Umgebungen (R-Studio, Jupyter-Notebooks o.ä.)
  • Methoden zur Datenvorverarbeitung und explorativen Datenanalyse
  • Analytische Verfahren zu Regression, Klassifizierung, Clustering: Lineare Regression, Entscheidungsbaum, SVM, Random Forest, kNN, k-Means, und weitere
  • Bearbeitung von Case Studies