Data Science für InformatikerModulbeschreibung #41231 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #41231 / #1 |
|---|---|
| Gültigkeit | SoSe 2025 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Abedjan, Ziawasch |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34353400 FG Data Integration and Data Preparation (BIFOLD) |
Kontakt
| Sekretariat | TEL 11 |
|---|---|
| Ansprechpartner*in | Abedjan, Ziawasch |
| E-Mail-Adresse | abedjan@tu-berlin.de |
| Webseite | https://bigdama.github.io/teaching/SoSe25/DS4CS/DS4CS.html |
Lernergebnisse
- Durchdringen von Data Science Abläufen
- Die Fähigkeit Data Science Pipelines mit Hilfe gängiger Pythonbibliotheken zu erstellen
- Verständnis für die Relevanz von Datenvorbereitungsschritte
- Hürden und Fallen im Erstellen von datengetriebenen Anwendungen verstehen
- Ethische Aspekte von Data Science
- Die Fähigkeit Data Science Pipelines mit Hilfe gängiger Pythonbibliotheken zu erstellen
- Verständnis für die Relevanz von Datenvorbereitungsschritte
- Hürden und Fallen im Erstellen von datengetriebenen Anwendungen verstehen
- Ethische Aspekte von Data Science
Lehrinhalte
Im Zeitalter von Big Data ist die Fähigkeit, effektiv und kritisch mit Daten zu arbeiten, d. h. Daten zu sammeln und zu extrahieren, Umfragen zu erstellen, die Daten zu transformieren, mathematische Modelle auf die Daten anzuwenden und die wichtigen Aspekte zu visualisieren, eine der neuen Anforderungen an jeden Wissenschaftler. Tatsächlich hat die Gesellschaft der Informatik den Begriff „Datenkompetenz“ geprägt, um verschiedene Kompetenzen in dieser Hinsicht zu beschreiben. In diesem Sinne ist es das Ziel dieses Kurses, Informatikern die grundlegenden Konzepte der Datenwissenschaft beizubringen. Die Studierenden lernen, Daten zu analysieren, um reale Phänomene zu verstehen und zu beschreiben. Die Studierenden erwerben Fähigkeiten in datenzentrierter Programmierung und statistischer Inferenz. Darüber hinaus sammeln die Studierenden praktische Erfahrungen mit den täglichen Herausforderungen eines Datenwissenschaftlers mit Best-Practice-Ansätzen für die Datenerfassung und -aufbereitung. Abschließend werden wir ethische und soziale Aspekte der Datenwissenschaft diskutieren.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Data Science for Computer Scientists (Tutorium)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Data Science for Computer Scientists (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Der Kurs besteht aus einer Standardvorlesung und Laborarbeit. Während der Vorlesung werden die wichtigen Konzepte vorgestellt. In den Laborsitzungen werden die Studierenden durch praktische Programmierübungen angeleitet. Darüber hinaus erhalten die Studierenden alle zwei Wochen Aufgaben, die auf den Laborübungen aufbauen. Die erfolgreiche Teilnahme an den Aufgaben ist Voraussetzung zur Teilnahme an der schriftlichen Abschlussprüfung.
Dieses Modul besteht aus einer Vorlesung und Tutorien. In der Vorlesung werden die wichtigen Konzepte des Data Science vermittelt und in den Tutorien werden mit Jupyternotebooks praktische Aufgaben gelöst. Die Hausaufgaben vertiefen diese Aufgaben und sind bewertet.
Dieses Modul besteht aus einer Vorlesung und Tutorien. In der Vorlesung werden die wichtigen Konzepte des Data Science vermittelt und in den Tutorien werden mit Jupyternotebooks praktische Aufgaben gelöst. Die Hausaufgaben vertiefen diese Aufgaben und sind bewertet.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Dieses Modul hat keine wünschenswerten Voraussetzungen für die Lehrveranstaltungen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch, Deutsch |
| Dauer/Umfang | 90 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 40.
Anmeldeformalitäten
Anmeldung durch Registrierung via ISIS eine Woche vor Kursbeginn
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- https://inferentialthinking.com/chapters/intro.html
- https://www.textbook.ds100.org/intro.html
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Informatik StuPO 2015 | SoSe 2025 | Wahlpflichtbereich › Wahlpflichtbereich Katalog Informatik |
| WiSe 2025/26 | Wahlpflichtbereich › Wahlpflichtbereich Katalog Informatik | |
| Wirtschaftsinformatik StuPO 2021 | SoSe 2025 | Wahlpflichtbereich › Informatik |
| WiSe 2025/26 | Wahlpflichtbereich › Informatik |
Sonstiges
Keine Angabe