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 |