Foundations of Data ScienceModulbeschreibung #40917 / Version 1
- 6 LP
- Mündliche Prüfung
- Benotet
- Wintersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #40917 / #1 |
|---|---|
| Gültigkeit | WS 2018/19 – SS 2019 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Albayrak, Sahin |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Wirtschaftsinformatik und Quantitative Methoden |
| Fachgebiet | 34361200 FG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT) |
Kontakt
| Sekretariat | TEL 14 |
|---|---|
| Ansprechpartner*in | Albayrak, Sahin |
| E-Mail-Adresse | sahin.albayrak@tu-berlin.de |
| Webseite | Keine Angabe |
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)
- 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
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Science | Integrierte Veranstaltung | Wintersemester | [de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Data Science (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 8 h | 120 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesung zur Stoffvermittlung und Übungen mit theoretischen und praktischen Aufgaben, deren Lösungen von den Studierenden präsentiert und diskutiert werden.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
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).
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Deutsch |
| Dauer/Umfang | 30 |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Registrierung über Qispos oder das Prüfungsamt und über die ISIS-Kursseite.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Für die Übungsaufgaben wird die Programmiersprache Python eingesetzt.