Nummer

ML-4102
Titel

Data Literacy
Lehrform(en)

Vorlesung
ECTS 6
Arbeitsaufwand
- Kontaktzeit
- Selbststudium
Arbeitsaufwand:
180 h
Kontaktzeit:
60 h / 4 SWS
Selbststudium:
120 h
Veranstaltungsdauer 1 Semester
Häufigkeit des Angebots Im Wintersemester
Unterrichtssprache Englisch
Prüfungsform

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Inhalt

Dieser Kurs vermittelt den Teilnehmern Konzepte und Methoden, die jedem vertraut sein sollten, der mit (großen) Daten arbeitet. Anhand von praktischen Experimenten und Beispielen werden häufig auftretende Fallstricke und Probleme sowie bewährte Verfahren erörtert. Wir begegnen grundlegenden statistischen Begriffen und Problemen der Verzerrung, des Testens und der Versuchsplanung. Grundlegende Methoden des maschinellen Lernens und der statistischen Datenanalyse werden eingesetzt, um diese Ideen in der Praxis anzuwenden. Wir werden auch bewährte Verfahren für die Präsentation und Dokumentation wissenschaftlicher Daten erörtern - wie man aussagekräftige Abbildungen und Tabellen erstellt und reproduzierbare Experimente durchführt - und ethische und technische Überlegungen im Zusammenhang mit Fairness und Transparenz untersuchen. Neben den mathematischen Herleitungen legen die Übungen einen Schwerpunkt auf die praktische Programmierung. Sie enthalten insbesondere Implementierungen einiger Inhalte aus den Vorlesungen.

Qualifikationsziele

Die Studierenden entwickeln eine Sensibilität für häufige Probleme und Missverständnisse bei der empirischen Arbeit mit Daten. Sie verstehen die mathematischen, erkenntnistheoretischen, ethischen, technischen und sozialen Herausforderungen, die mit der Nutzung von Daten verbunden sind, und kennen die besten Methoden, um sie zu bewältigen. Sie sammeln auch einen konkreten Kasten von Softwarewerkzeugen, um strukturierte, große, kleine, beschädigte und teure Daten zu sammeln, zu dokumentieren, zu erforschen, zu visualisieren und Schlussfolgerungen daraus zu ziehen.

Vergabe von Leistungspunkten/Benotung
Lehrform
Status
SWS
LP
Prüfungsform
Prüfungsdauer
Benotung
Berechnung
Modulnote (%)
Vorlesung
V
o
2
3.0
K
90
b
100
Übung
Ü
o
2
3.0
Teilnahmevoraussetzungen Es gibt keine besonderen Voraussetzungen.
Dozent/in Hennig, Macke
Literatur / Sonstiges

Literatur / Literature: Wird zu Beginn des Semesters mitgeteilt. / Will be listed at the beginning of the semester.

Teilnahmevoraussetzungen / Course prerequisties: Grundlegende Kenntnisse in Mathematik und Programmierkenntnisse, wie bspw. durch einen B.Sc. in Informatik erworben. / Only basic math and coding skills as provided by the BSc Computer Science.

Zuletzt angeboten Wintersemester 2022
Geplant für Wintersemester 2024
Zugeordnete Studienbereiche INFO-INFO, INFO-PRAK, MEDI-APPL, MEDI-INFO, ML-CS, ML-DIV