M.184.3321 Methoden der Data Science | |
---|---|
(Methods of Data Science) |
Koordinator (coordinator): | Prof. Dr. Oliver Müller |
Ansprechpartner (contact): | Prof. Dr. Oliver Müller (oliver.mueller[at]uni-paderborn.de) |
Credits: | 5 ECTS |
Workload: | 150 Std (h) |
Semesterturnus (semester cycle): | WS |
Studiensemester (study semester): | 5 |
Dauer in Semestern (duration in semesters): | 1 |
Lehrveranstaltungen (courses): | ||||||
---|---|---|---|---|---|---|
Nummer / Name (number / title) |
Art (type) |
Kontaktzeit (contact time) |
Selbststudium (self-study) |
Status (P/WP) (status) |
Gruppengröße (group size) | |
a) | K.184.33211 / Methoden der Data Science | Vorlesung / Übung | P | |||
Wahlmöglichkeiten innerhalb des Moduls (Options within the module): | ||||||
Keine |
Empfohlene Voraussetzungen (prerequisites): |
---|
M.184.1471 Grundzüge der Statistik I oder M.184.1473 Grundzüge der angewandten Statistik für Wirtschaftsinformatiker |
Inhalte (short description): |
---|
In unserer vernetzten Welt werden in bisher ungekannter Art und Weise Daten generiert und gesammelt. Data Science (Film) bezeichnet die Extraktion von Wissen aus diesen Daten. Das Modul vermittelt grundlegende Konzepte und Methoden entlang des Lebenszyklus eines Data Science Projektes, von der Formulierung der Problemstellung über die Sammlung, Vorbereitung und Visualisierung der Daten bis hin zur Erkennung von Mustern und Trends in diesen mittels Verfahren des maschinellen Lernens (z. B. Regression, Klassifikation, Clustering). Das erlernte Methodenwissen wird kontinuierlich durch praxisnahe Übungen mit der Programmiersprache R angewandt und vertieft. Das Modul umfasst eine Vorlesung sowie eine Übung. |
Lernergebnisse (learning outcomes): |
---|
Fachkompetenz Wissen (professional expertise): |
Studierende... Die Studierenden … … kennen typische Datenqualitätsprobleme und können diese beschreiben … kennen verschiedene Diagramme zur Darstellung quantitativer Daten und können deren Vor- und Nachteile wiedergeben … kennen einfache Modelle des maschinellen Lernens und können deren Funktionsweise erläutern |
Fachkompetenz Fertigkeit (practical professional and academic skills): |
Studierende... … bereiten Rohdaten zur anschließenden Visualisierung und statistischen Analyse auf … visualisieren quantitative Daten mittels Diagrammen … wenden verschiedene Verfahren des maschinellen Lernens zur Erkennung von Mustern und Trends in quantitativen Daten an |
Personale Kompetenz / Sozial (individual competences / social skills): |
Studierende... … lösen betriebswirtschaftliche
Problemstellungen durch die Anwendung von Data Science Methoden |
Personale Kompetenz / Selbstständigkeit (individual competences / ability to perform autonomously): |
Studierende... … evaluieren die Qualität von Rohdaten … wählen die passenden Methoden zur Visualisierung und statistischen Analyse gegebener Datensätze aus … bewerten die Qualität von Modellen des maschinellen Lernens |
Prüfungsleistungen (examinations) | |||
---|---|---|---|
Art der Modulprüfung (type of modul examination): Modulabschlussprüfung | |||
Art der Prüfung (type of examination) |
Umfang (extent) |
Gewichtung (weighting) | |
a) | Klausur | 60 Minuten | 100.00 % |
Studienleistung / qualifizierte Teilnahme (module participation requirements) |
---|
Nein |
Voraussetzungen für die Teilnahme an Prüfungen (formal requirements for participating in examinations) |
---|
Keine |
Voraussetzungen für die Vergabe von Credits (formal requirements for granting credit points) |
---|
Die Vergabe der Credits erfolgt, wenn die Modulnote mindestens „ausreichend“ ist |
Gewichtung für Gesamtnote (calculation of overall grade) |
---|
Das Modul wird mit der doppelten Anzahl seiner Credits gewichtet (Faktor: 2) |
Verwendung des Moduls in den Studiengängen (The module can be selected in the following degree programmes) |
---|
B.Sc. International Business Studies, B.Sc. Wirtschaftsinformatik, B.Sc. Wirtschaftswissenschaften |
Umfang QT (participation requirements): |
---|
Lernmaterialien, Literaturangaben (learning material, literature): |
---|
Teilnehmerbegrenzung (participant limit): |
---|
Keine |
Sonstige Hinweise (additional information): |
---|
Das Modul wird regulär im Wintersemester mit Vorlesung und Übung angeboten, im Sommersemester bieten wir die Möglichkeit zur Wiederholung der Prüfung an (ohne Vorlesung oder Übung). |