Foundations of Data Science (MInf...)
Ziele und Inhalte
Lernergebnisse
Die Studierenden sind mit dem Data Science Prozess vertraut. Sie können Daten akquirieren, bereinigen und vorverarbeiten. Sie kennen Verfahren um Daten systematisch zu explorieren und bedeutungsvoll zu visualisieren. Sie kennen Maschinelle Lernverfahren und statistische Inferenzmethoden um Daten zu modellieren und können Modelle evaluieren. Ferner kennen die Teilnehmer Strategien um große Datenmengen verarbeiten zu können.
Lehrinhalte
- Data Science Prozess
- Data Wrangling
- Explorative Datenanalyse und Visualisierungen
- Statistik (Verteilungen, Sampling, Korrelation, Hypothesentests, Inferenz)
- Maschinelles Lernen (Klassifikation, Regression, Dimensionsreduktion, Clustering, Deep Learning)
- High-Performance Computing (MapReduce, GPU-Computing)
Modulbestandteile
| LV-Titel | LV-Art | SWS | LP | Semester |
| Data Science | IV | 4 | 6 | SoSe |
Prüfungselemente
Mündliche Prüfung, Voraussetzung ist ein unbenoteter Übungsschein derselben Lehrveranstaltung.
Legende
- IV: Integrierte Lehrveranstaltung (VL + UE)
- LV: Lehrveranstaltung
- P: Pflichtbestandteil eines Moduls (muss belegt werden)
- PJ: Projekt. Methodenvermittlung und Systemeinführung zur Projektarbeit, Entwicklungs-, Dokumentations- und Kommunikationswerkzeugen. Wöchentliche Projektbesprechungen. Projektarbeit in Kleingruppen. Milestones. Abschlusspräsentation.
- SE: Seminar. Literaturarbeit und schriftliche Ausarbeitung unter Anleitung. Vorstellung der Ergebnisse in einem 20 minütigen Vortrag im Plenum.
- SoSe: Sommersemester
- UE: Übung. Vertiefung des Vorlesungsstoffs, Lehrgespräche zur Besprechung der Übungsaufgaben, Gruppenarbeit zur Bearbeitung der Übungsaufgaben.
- VL: Vorlesung
- WiSe: Wintersemester
- WP: Wahlpflichtbestandteil eines Moduls. Eine der Wahlpflichtveranstaltungen des Moduls muss belegt werden.
Copyright TU Berlin 2007