Data Science and Analytics (DSA)
6/7. Semester
5 ECTS | 4 SWS
Continuous Assessment (CA)
Daten verstehen: Du sammelst, bereinigst und analysierst Daten, nutzt Statistik und KI und stellst Ergebnisse so dar, dass sie verständlich und nützlich sind.
Inhalte
- Datenakquise und Datensammlung
- Big Data
- Datenbereinigung und -aufbereitung
- Datenexploration und -visualisierung
- Statistik und Mathematik
- Machine Learning
- Optimierung und Bewertung von Modellen
- Ethik und Datenschutz
Lernziele/Kompetenzen
Die Studierenden sind in der Lage,
- Die Studierenden sind in der Lage, Bestandteile welche zum typischen Data Science & Datenanalyse-Prozess gehören zu benennen. Dazu gehören die unter den Inhalten genannten Punkte sowie ein zielgerichtetes, analytisches Denken und Herangehensweise mit heterogenen Daten. Außerdem lernen die Studierenden die Daten auf ihre Zielgruppe zu interpretieren und verständlich zu machen.
Literatur
- Data Analysis and Data Mining - An Introduction (Adelchi Azzalini, Bruno Scarpa), ISBN 9780199767106; (2012)
- Enterprise Big Data Engineering, Analytics, and Management (Advances in Business Information Systems and Analytics), ISBN 978-1522502937, 1. Juni 2016
Dozentinnen / Dozenten
Empfohlene Vorkenntnisse
-
Umgang mit Code-Versionierungs-Systemen (Gitlab, Github u.ä.)
-
Kollaboration in diversen Teams & Kommunikation
-
Dokumentation von Software und Architekturen (UML) sowie die systematische Verwendung von Diagramm-Arten
-
Grundkenntnisse in Python, Mathematik und Statistik sind von Vorteil
Daten zum Modul
| Semester |
6/7 |
| Unterrichtssprache |
Deutsch |
|
Häufigkeit
|
Unregelmäßig
|
| Kreditpunkte (CP)
|
5 |
| Modulverantwortlich |
Prof. Dr. Sven Klaus |
| Dauer |
1 Semester |
|
Studienleistung
|
Keine |
|
Prüfungsvorleistung
|
Keine |
|
Prüfungsleistung
|
Continuous Assessment (CA) |
Semesterwochenstunden (SWS)
| Vorlesung |
2 SWS |
| Übung |
2 SWS |
| Summe |
4 SWS |
Arbeitsaufwand (Workload)
| Vorlesung |
50 h |
| Labor |
50 h |
| Selbststudium |
50 h |
| Summe |
150 h |
