Modulhandbuch

Data Science

Empf. Vorkenntnisse

Grundlagen der Statistik, Programmierkenntnisse

Lehrform Vorlesung/Labor
Lernziele

Nach erfolgreicher Teilnahme an der Veranstaltung haben die Studierenden folgende Lernziele erreicht bzw. haben folgende Kompetenzen erlangt:

  • Sie können Nutzen, Potentiale und Grenzen von Data Science bewerten
  • Sie kennen wichtige Verfahren und Anwendungen des Machine Learning. 
  • Sie können mit diesen Verfahren selbständig Modelle nach dem CRISP Prozess entwickeln und deren Leistungsfähigkeit beurteilen
  • Sie können ihr erworbenes Wissen auf reale Data Science Probleme aus der Praxis anwenden 
  • Sie haben ein Bewusstsein für ethische und rechtliche Fragestellungen im Zusammenhang mit Data Science und Maschinellem Lernen entwickelt
Dauer 1 Semester
SWS 4.0
Aufwand
  • Lehrveranstaltung:60 h
  • Selbststudium/
    Gruppenarbeit:90 h

  • Workload:150 h
ECTS 5.0
Voraussetzungen für Vergabe von LP

Modulprüfung Klausur (K60). Das „Praktikum Data Science" muss „m.E." testiert sein.

Modulverantw.

Prof. Dr. Tobias Lauer

Empf. Semester 2. Semester
Häufigkeit jedes 2. Semester
Verwendbarkeit

Informatik (Master)
Wirtschaftsinformatik (Master)

Veranstaltungen Data Science
Art Vorlesung
Nr. E+I2124
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. E+I2125
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 

← Zurück Speichern als Docx