Foundations of Data ScienceModule description #40917 / Version 1
- 6 CP
- Oral exam
- Graded
- Winter semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v2)
| Module / Version | #40917 / #1 |
|---|---|
| Validity | WS 2018/19 – SS 2019 |
| Available language(s) | German |
| Credit points | 6 |
| Person responsible for the module | Albayrak, Sahin |
| Grading | Graded |
| Exam format | Oral exam |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Wirtschaftsinformatik und Quantitative Methoden |
| Academic chair | 34361200 FG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT) |
Contact
| Office | TEL 14 |
|---|---|
| Contact person | Albayrak, Sahin |
| E-mail address | sahin.albayrak@tu-berlin.de |
| Website | Not specified |
Learning outcomes
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.
Content
- 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)
- 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)
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Data Science | Integrated course | Winter semester | [de] | 4 | ISIS |
Workload and credit points
Data Science (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Attendance | 15 | 4 h | 60 h |
| Pre/post processing | 15 | 8 h | 120 h |
| 180 h | |||
The workload of the module adds up to 180 hours. The module therefore comprises 6 credit points.
Description of teaching and learning methods
Vorlesung zur Stoffvermittlung und Übungen mit theoretischen und praktischen Aufgaben, deren Lösungen von den Studierenden präsentiert und diskutiert werden.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Python-Programmiererfahrung oder gute Kenntnisse einer anderen objektorientierten Programmierspache
Zur Anmeldung der mündlichen Prüfung muss die Übung bestanden sein. Der unbenotete Übungsschein wird ausgestellt, wenn 75% der Übungsaufgaben bearbeitet wurden (unabhängig vom Erfolg der Bearbeitung).
Zur Anmeldung der mündlichen Prüfung muss die Übung bestanden sein. Der unbenotete Übungsschein wird ausgestellt, wenn 75% der Übungsaufgaben bearbeitet wurden (unabhängig vom Erfolg der Bearbeitung).
Mandatory requirements for the module examination registration:
The examination requirements could not be retrieved.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Oral exam |
| Language | German |
| Duration/Extent | 30 minutes |
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter semester.
Maximum number of participants
The maximum capacity of participants is 20.
Registration procedures
The registration can be done via QISPOS or in the Prüfungsamt. In addition we require registration on the respective ISIS course page.
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
No recommended literature given
Assigned programs
This module is not used in any program.
Miscellaneous
Für die Übungsaufgaben wird die Programmiersprache Python eingesetzt.