Data Science mit R (DSR)
1/2. Semester
5 ECTS | 4 SWS
Klausur 90 Minuten (K90)
Analysiere Daten mit R: Du entwickelst Skripte und Notebooks in R, wendest statistische Verfahren sowie Machine-Learning-Methoden auf biomedizinische und wirtschaftliche Daten an und validierst Hypothesen mithilfe datengetriebener Analysen.
Inhalte
- Einführung in R (u.a. RStudio, Visual Studio Code oder Positron)
- Fortgeschrittene Konzepte der R-Programmierung (Funktionale Prg., Unit-Tests, Packages, Einbindung anderer Sprachen)
- Graphiken und Visualisierungen
- Datenintegration (CSV-, DB-Anbindung etc.)
- R Markdown und Notebooks
- Verteilungen, Schätzer, Konfidenzintervalle und Tests in R
- Unüberwachte statistische Lernverfahren mittels R-Paketen (Clustern, Principal Component Analysis)
- Überwachte statistische Lernverfahren mittels R-Paketen (lin. Regression, lin. Diskrimanzanalyse, Entscheidungsbäume, DL)
- Anwendungsbeispiele aus der Biomedizin, Wirtschaft uvm.
Lernziele/Kompetenzen
Die Studierenden sind in der Lage,
- einfache und fortgeschrittene Skripte und Notebooks in R zu erstellen und anzuwenden.
- grundlegenden statistische Lernverfahren für biologische und medizinische Fragestellungen anzuwenden.
- einfache medizinische und biologische Hypothesen aufzustellen und mittels R und statistischen Methoden zu validieren.
Literatur
- Gareth James et al.: An Introduction to Statistical Learning with Applications in R. Springer 2021
- Hadley Wickham, Garrett Grolemund: R für Data Science: Daten importieren, bereinigen, umformen, modellieren und visualisieren. O'Reilly 2017
- Victor Bloomfield: Computer Simulation and Data Analysis in Molecular Biology and Biophysics. An Introduction Using R. Springer 2009
- Daniel Wollschläger: Grundlagen der Datenanalyse mit R: Eine anwendungsorientierte Einführung. Springer 2017
- Uwe Ligges: Programmieren mit R. Springer 2008
Dozentinnen / Dozenten
Empfohlene Vorkenntnisse
Empfohlene sind Grundlagen der Statistik.
-
Grundlagen der Datenvisualisierung sind von Vorteil
-
Kenntnisse von anderen Data-Science-Umgebungen wie z.B. Python Anaconda sind von Vorteil
Daten zum Modul
| Semester |
1/2 |
| Unterrichtssprache |
Deutsch |
|
Häufigkeit
|
Sommersemester
|
| Kreditpunkte (CP)
|
5 |
| Modulverantwortlich |
Prof. Dr. Markus Gumbel |
| Dauer |
1 Semester |
| Schwerpunkt(e) |
Medical Data Science (MDS)
|
|
Studienleistung
|
Keine |
|
Prüfungsvorleistung
|
Pflichtübung (PU) |
|
Prüfungsleistung
|
Klausur 90 Minuten (K90) |
Semesterwochenstunden (SWS)
| Vorlesung |
2 SWS |
| Übung |
2 SWS |
| Summe |
4 SWS |
Arbeitsaufwand (Workload)
| Vorlesung |
60 h |
| Selbststudium |
30 h |
| Aufgaben |
40 h |
| Prüfungsvorbereitung |
20 h |
| Summe |
150 h |
