Data Science: Lehrveranstaltungen und Informationen zum Studium

Kurzbeschreibung

Die Lehrveranstaltung „Angewandte Mathematik“ hat das Ziel, grundlegende im Data Science Kontext benötigte mathematische Konzepte und Methoden, vor allem im Zusammenhang mit Optimierung, zu vermitteln.

Methodik

Vortrag und Übungen.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• Grundbegriffe und Methoden der linearen Algebra, insbesondere im Zusammenhang mit inneren Produkten, Orthogonalität, Eigenwerttheorie und linearer Optimierung zu erklären und im Data Science Kontext anzuwenden
• Grundbegriffe und Methoden der mehrdimensionalen Analysis, insbesondere Gradientenabstiegsverfahren und Optimierung mit Nebenbedingungen zu erklären und im Data Science Kontext anzuwenden

Lehrinhalte

• Lineare Algebra: inneres Produkt, Orthogonalität; Eigenwert- bzw. Singulärwertzerlegung; lineare Optimierung
• Analysis von Funktionen mehrerer Veränderlicher: partielle Ableitungen, totale Differenzierbarkeit; Gradienten, Richtungsableitung, lineare und quadratische Approximation, lokale Extrema; Optimierungsverfahren: Gradientenabstiegsverfahren, Lagrange-Verfahren

Vorkenntnisse

Grundkenntnisse der Analysis und linearen Algebra (siehe Ausgleichsmodule)

Literatur

• G. Teschl und S. Teschl, Mathematik für Informatiker, Band 1 (4. Auflage, 2013) und Band 2 (3. Auflage, 2013), Springer Verlag
• P. Hartmann: Mathematik für Informatiker, 6. Auflage 2014, Springer Verlag
• P. Stingl: Mathematik für Fachhochschule: Technik und Informatik, 8. Auflage 2009, Hanser Verlag
• Drmota et al, Mathematik für Informatik, 4. Auflag 2014, Berliner Studienreihe zur Mathematik. Band 17, Heldermann Verlag

Leistungsbeurteilung

• Leistungsbeurteilung erfolgt während der LV und im Rahmen der Modulprüfung

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• grundlegende Rechenoperationen mit komplexen Zahlen durchzuführen, Zahlen von einem Stellenwertsystem in ein anderes zu konvertieren, grundlegende Konvergenzkriterien für Folgen und Reihen anzuwenden
• grundlegende Rechenoperationen der Differentialrechnung durchzuführen und Funktionen mithilfe der Differentialrechnung zu analysieren, insbesondere hinsichtlich Extremwerten
• bestimmte, unbestimmte und uneigentliche Integrale zu berechnen

Lehrinhalte

• Zahlenmengen, Stellenwertsysteme, Folgen, Reihen
• Differential- und Integralrechnung von Funktionen einer Veränderlicher

Vorkenntnisse

Mittelschulstoff

Literatur

• G. Teschl und S. Teschl, Mathematik für Informatiker, Band 1 (4. Auflage, 2013) und Band 2 (3. Auflage, 2013), Springer Verlag.
• M. Drmota et al, Mathematik für Informatik, 4. Auflage, 2014, Heldermann Verlag.

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Abschlussprüfung

Kurzbeschreibung

Dieser Kurs vermittelt Methoden für die Auswertung von quantitativen Erhebungen (zB Umfragen, Firmendaten oder technischen Messungen). Inhalte sind gängige Analysemethoden der beschreibenden und schließenden Statistik, die mittels der Standardsoftware R umgesetzt werden.

Methodik

Vortrag Übungen (am Computer)

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• univariate Tests für ein kategoriales oder ein metrisches Merkmal durchzuführen
• Zusammenhänge zwischen zwei kategorialen oder zwei metrischen Merkmalen zu testen
• Regressionsmodelle für metrische Variablen aufzustellen und zu prüfen
• einfache Zeitreihenanalysen durchzuführen

Lehrinhalte

• Eine kategoriale Variable: absolute und relative Häufigkeiten, Balkendiagramme, Binomialtest, Chi-Quadrat-Test
• Zwei kategoriale Variablen: Kontingenztabellen, gruppierte Balkendiagramme, Spineplot, Chi-Quadrat-Test auf Unabhängigkeit und Homogenität, Paarvergleiche
• Eine metrische Variable: Histogramm, Lage- und Streumaße, Boxplot, t-Test
• Zwei metrische Variablen: Streudiagramm, Korrelationsrechnung, partielle Korrelation, einfache und multiple Regressionsrechnung
• Zeitreihenanalyse: Zeitreihendiagramm, Kurzfristprognosen
• Reproducible Scientific Research: Literate Programming mit R Markdown
• Bestimmung der korrekten statistischen Methode für ein konkretes Problem

Vorkenntnisse

Wahrscheinlichkeitsrechnung & Angewandte Statistik (insbesondere Verteilungen, Konfidenzintervalle und statistische Tests)

Literatur

• R. Hatzinger, K. Hornik, H. Nagel, M. Maier: R – Einführung durch angewandte Statistik (2. Auflage), Springer, 2014
• Skriptum

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Abschlussprüfung

Anmerkungen

-

Kurzbeschreibung

Dieser Kurs vermittelt elementare Kenntnisse der Wahrscheinlichkeitsrechnung und angewandten Statistik mit Hilfe der Statistik-Software R.

Methodik

Integrierte Lehrveranstaltung, Fernlehre

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• den Zusammenhang zwischen Zufallsvariablen und Wahrscheinlichkeitsverteilungen zu erklären
• die Bedeutung spezieller Verteilungen für die Durchführung statistischer Tests zu erklären
• die grundlegenden Funktionsweisen statistischer Tests zu verstehen sowie einfache statistische Tests durchzuführen und zu interpretieren
• ntervall- und Punktschätzungen sowie Hypothesentests für ein kategoriales und ein metrisches Merkmal durchzuführen

Lehrinhalte

• Zufallsvariablen
• Diskrete und stetige Verteilungen
• Statistische Tests
• Konfidenzintervalle

Vorkenntnisse

Mittelschulstoff

Literatur

• Teschl, G., Teschl S.: Mathematik für Informatiker Band 2: Analysis und Statistik, 4. Auflage, 2013, Springer.

Leistungsbeurteilung

• Abschlussprüfung

Anmerkungen

-

Kurzbeschreibung

In der Lehrveranstaltung „Lineare Algebra“ werden die Grundbegriffe und -konzepte der linearen Algebra erarbeitet und an Beispielen angewandt.

Methodik

Die Lehrveranstaltung besteht aus einem Vorlesungs- und einem Übungsteil. Die Vorlesung wird nach der Methode des "Inverted Classrooms" gehalten. Das heißt Studierende bereiten sich anhand von zur Verfügung gestellter Literatur auf die Präsenzeinheiten vor. Vor den Einheiten absolvieren sie einen kurzen Moodle-Test über die vorzubereitenden Inhalte. In den Präsenzeinheiten werden entstandene Fragen geklärt und die Inhalte vertieft. Im Übungsteil werden die Kenntnisse durch das eigenständige Bearbeiten von Beispielen gefestigt.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• grundlegende Aufgabenstellungen in allgemeinen Vektorräumen, sowie einfache geometrische Problemstellungen im zwei- und dreidimensionalen euklidischen Raum zu lösen.
• elementare Rechenoperationen mit Matrizen bzw. linearen Abbildungen durchzuführen sowie Determinanten und Inverse zu berechnen.
• lineare Gleichungssysteme in Matrixschreibweise mit Hilfe des Gaußalgorithmus zu lösen.

Lehrinhalte

• Vektorräume
• Matrizen und lineare Abbildungen
• lineare Gleichungssysteme

Vorkenntnisse

Mittelschulstoff

Literatur

• G. Teschl und S. Teschl, Mathematik für Informatiker, Band 1, 4. Auflage, 2013, Springer Verlag
• M. Drmota et al, Mathematik für Informatik, 4. Auflage, 2014, Heldermann Verlag
• T. Arens et al, Mathematik, 4. Aufl. 2018,Springer Spektrum

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Abschlussprüfung
• Zwei Teile:
• 1.Beurteilung während der LV:
• a) Moodle-Tests zu den vorbereiteten Themen – 25% der Gesamtpunkte
• b) Übungsbeispiele – 25% der Gesamtpunkte
• 2. Abschlussprüfung: 50% der Gesamtpunkte
• Um die LV positiv abschließen zu können, müssen in beide Teilen der Beurteilung jeweils min. 50% der Punkte des jeweiligen Teilbereichs erreicht werden (dh. min. 50% der Punkte aus Moodle-Tests und Übungsbeispielen und zusammen sowie min. 50% der Punkte der Abschlussprüfung).

Kurzbeschreibung

Dieses Modul adressiert die praktischen Herausforderungen eines der wichtigsten Prozessschritte eines jeden Data Science-Projekts: die Datenaufbereitung - sowohl in R, wie auch in Python.

Methodik

Workshops Diskussion Übungen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• den Workflow eines Data Science-Projekts zu beschreiben
• auf unterschiedliche Datenquellen (z.B. relationale Datenbanken, Web-Daten, Text, Bilder, Videos, Streams) zum Datenimport zuzugreifen
• Data Wrangling zu betreiben (import, tidy, transform)
• Daten zu explorieren und zu visualisieren
• Daten hinsichtlich Plausibilität und Qualität zu bewerten
• Relevante Tools wie TidyVerse (R) und Pandas (Python) zu verwenden
• die Verwendung von R und Python bewerten

Lehrinhalte

• Design von Data Science Projekten
• Datenformate für strukturierte und nicht-strukturierte Daten (insb. Data Frames)
• Datenimport, Datenbereinigung
• Datenvisualisierung
• TidyVerse, ggplot2; Pandas, Numpy
• Vergleich von R und Python

Vorkenntnisse

Scripting mit R und Python, Deskriptive Statistik

Literatur

• Grolemund, Wickham, 2016. R for Data Science, O‘Reilly
• Baumer, Kaplan, Horton, 2017. Modern Data Science with R. CRC Press.
• VanderPlas, 2017. Python Data Science Handbook. O'Reilly

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Abschlussprojekt

Kurzbeschreibung

Dieser Kurs adressiert unterschiedliche Aspekt von IT-Infrastruktur, die für Data Science Aktivitäten relevant sind. Neben einem Überblick von algorithmischen Problemen und Technologien im Umfeld von Data Science lernen die Teilnehmer*innen, wie unterschiedliche Datenarten mit zeitgemäßen Softwarewerkzeugen abgespeichert und mit aktuellen Machine Learning Bibliotheken verarbeitet werden. Die Themen in diesem Kurs umfassen unter anderem diverse Arten von Datenspeicher (NoSQL-Datenbanken, hdfs), verschiedene Ansätze bzw. Werkzeuge zur effizienten Datenverarbeitung (Python Bibliotheken, Hadoop, Spark), Performanceoptimierung von Berechnungen, Streamdatenverarbeitung oder die Nutzung von Cloud-Diensten für große Datenmengen.

Methodik

In den Präsenzeinheiten werden Impulsvorträge zu den jeweiligen Themen abgehalten. Die Teilnehmer*innen müssen sich auf die bevorstehende Einheit vorbereiten und erarbeiten sich praktische Fertigkeiten im Umgang mit Infrastrukturen für Data Science Aktivitäten. In weiterer Folge sind diese Fertigkeiten in einem Gruppenprojekt anzuwenden. Am Ende des Kurses muss jeder Teilnehmer*in eine praktische Aufgabe in Form eines computerbasierten Tests bewältigen.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• einen Überblick über algorithmische Aufgabenstellungen im Rahmen von Data Science und Big Data geben sowie relevante Technologien in diesem Umfeld erklären.
• strukturierte, semi-strukturierte und unstrukturierte Daten mittels NoSQL-Datenbanktechnologien abspeichern und abrufen.
• datenbasierte Berechnungen auf einen oder mehreren Prozessoren bzw. unter Verwendung unterschiedlicher Python Bibliotheken (pytorch, sklearn, mxnet, tensorflow) ausführen.
• einen Überblick über die Dimensionen und Herausforderungen großer Datenmengen geben sowie verteilt Daten mit dem Hadoop Ecosystem (hdfs, map/reduce) speichern und verarbeiten.
• einen Spark Rechencluster konfigurieren und die Performance-Verbesserungen bei Algorithmen des maschinellen Lernens auf dieser Infrastruktur messen.
• Datenstreams, wie etwa Sensordaten, mittels InfluxDB, Kafka und Spark verwalten und verarbeiten.
• einen Cloud-Service nutzen, um große Datenmengen zu speichern, verarbeiten und verwerten.

Lehrinhalte

• Computing Infrastruktur für Data Science
• Datenspeicher: Von Datenbanken bis zu Data Lakes
• Datenverarbeitung: Von verteilten Berechnungen zu Machine Learning Frameworks
• Big Data (Hadoop)
• Analytics Engine (Spark)
• Streamdatenverarbeitung
• Cloud Services für große Datenmengen (Azure, Colab)

Vorkenntnisse

Datenbanken (SQL, NoSQL) Programmieren (Python/R) Betriebssysteme (Linux)

Literatur

• White, 2015. Hadoop: The Definitive Guide, O’Reilly
• Seidman, Shapira, Malaska, Grover, 2015. Hadoop Application Architectures.
• Vohra, 2016. Practical Hadoop Ecosystem: A Definitive Guide to Hadoop-Related Frameworks and Tools, Apress
• Simon, 2015. Too Big To Ignore: The Business Case for Big Data , Wiley
• Kleppmann, 2017. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, O’Reilly
• Harrisons Guy, 2015, Next Generation Databases: NoSQL, NewSQL, and Big Data, Apress

Leistungsbeurteilung

• Wöchentliche Zwischentests zur Beurteilung des Lernfortschritts (20%)
• Computerbasierte Abschlussprüfung zur Beurteilung der praktischen Fertigkeiten (40%)
• Gruppenprojekt für ein realistisches Data Science Szenario (40%)

Kurzbeschreibung

Dieser Kurs führt in grundlegende Konzepte, Technologien und Methoden von Data Warehousing und Business Intelligence ein. Unter anderem wird ein Überblick über Analytics und Data Warehousing gegeben (Modellierung und Umsetzung einer DWH-Lösung). Zudem werden die Planung von BI-bezogenen Projekten, relevante Techniken der Datenmodellierung und -präsentation sowie ausgewählte Aspekte des Datenmanagements behandelt. Hinsichtlich praktischer Fertigkeiten lernen die Kursteilnehmer, wie ein ETL-Prozess zur Generierung eines Data Warehouses implementiert wird. Basierend darauf wird ein OLAP-Würfel aufgesetzt und mittels einer BI-Anwendung analysiert.

Methodik

- Vortrag - Interaktive Tutorials - Praktische Gruppenarbeit (vor Ort und in Fernlehre) - Gruppenpräsentationen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• einen Überblick über Business Intelligence und Data Warehousing zu geben bzw. einen BI-bezogenen Geschäftsfall projektmäßig zu planen
• Anforderungen an eine BI Lösung für einen gegebenen Geschäftsfall abzuleiten
• ein für einen BI-Ansatz notwendiges Datenmodell zu erstellen und einen Datensatz vorzubereiten
• Datenquellen handzuhaben, die Qualität der Daten abzuschätzen und Daten aus Datenbanksystemen zu beziehen
• wesentliche BI Operationen zu erklären, passende BI Werkzeuge auszuwählen auf Echtdaten anzuwenden
• ein multidimensionales Analysemodel (OLAP) praktisch umzusetzen und damit Daten auszuwerten
• ein komplettes DWH-Projekt (Planung, Implementierung, Berichte) auf Basis von Daten eines ERP-Systems umzusetzen

Lehrinhalte

• Einführung zu Business Intelligence (BI) und Data Warehousing (DW)
• Entwicklung von Geschäftsfällen und BI-bezogenen Projekten
• Geschäftsmodell für und Anforderungen an Business Intelligence
• Datenmodellierung für DWHs (Dimensional Fact Modeling, Galaxy Schema)
• Datenmanagement (Datenquellen, Datenqualität und Datenbanken)
• Extract-Transform-Load-Prozess
• BI Operationen, Werkzeuge und Methoden
• Datenpräsentation (Scorecards, Dashboards)

Vorkenntnisse

Kenntnisse zu Datenmodellierung, Datenbanken, Projektmanagement und statistischen Methoden

Literatur

• Haertzen, D., 2012. The Analytical Puzzle: Profitable Data Warehousing, Business Intelligence and Analytics. 1. Ausgabe. Technics Publications.
• Kimball, R., Ross, M., 2013. The Datawarehouse Toolkit (2nd Ed., Chapters 1-6)

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Abschlussprüfung

Kurzbeschreibung

In diesem Kurs geht es darum, R und Python als vollständige Programmiersprachen zu verstehen und die Programmierkenntnisse in R und Python zu vertiefen, um damit dessen Nutzung über die reine Verwendung vorgefertigter Funktionen hinaus zu ermöglichen.

Methodik

R: Vortrag, Übungen (am Computer) Python: Vortrag, Übungen vor Ort und Remote

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• Daten mit den verfügbaren Datenstrukturen zu verwalten
• Daten einzulesen und auszugeben (Konsole, Dateien)
• Elemente der strukturierten Programmierung (Schleifen, Bedingungen) anzuwenden
• eigene Funktionen zu erstellen
• Bibliotheken einzubinden und zu verwenden
• die jeweiligen objektorientierten Konzepte anzuwenden
• Grafiken zu erzeugen
• Schnittstellen von und zu externen Systemen zu benutzen

Lehrinhalte

• R: Vektoren, Arrays, Tabellen, Listen, Data Frames. Fehlende Werte, Strings. Schleifen, Bedingungen. Funktionen, Vektorisierung. Objektorientierung: S3/S4/R6-Systeme. Input und Output. Grafiken: base graphics; grid. Grundlegende Diagramme.
• Python: Elementare Datentypen (Tuples, Lists, Dictionnaries, Strings). NumPy und Pandas: Arrays, Aggregationen, Indexing, Datenmanipulation, Umgehen mit fehlenden Daten, kombinieren von Data Sets. Pivottabellen, Zeitreihen. Klassen. Input und Output. MatPlotLib: Grafiken.

Vorkenntnisse

Grundlegende (auch objektiorientierte) Programmierkenntnisse

Literatur

• Wickham, 2019: Advanced R. CRC Press.
• Lutz, 2015. Learning Python. O’Reilly
• McKinney, 2017. Python for Data Analysis, O’Reilly

Leistungsbeurteilung

• Leistungsbeurteilung erfolgt während der LV und im Rahmen der Modulprüfung

Kurzbeschreibung

Im Rahmen dieser Lehrveranstaltung erwerben die Studierenden grundlegende Kenntnisse und Kompetenzen auf dem Gebiet der Geschäftsmodellentwicklung.

Methodik

Selbststudium, Vortrag, Fallstudien, Gruppenarbeiten, Diskussion, schriftliche Ausarbeitungen, Präsentationen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• datengetriebene Geschäftsmodelle zu beschreiben und im Data Science Kontext zu entwickeln
• Geschäftsmodelle hinsichtlich Stärken, Schwächen, Chancen und Risiken zu analysieren
• Ein Geschäftsmodell mittels dem Business Model Canvas zu erstellen.
• neue Geschäftsmodelle / Geschäftsmodellinnovationen zu entwicklen und systematisch umzusetzen
• Kreative Lösungen für Probleme zu entwickeln.

Lehrinhalte

• Geschäftsmodellelemente und –darstellung
• Geschäftsmodellmuster
• Datgengetriebene Geschäftsmodelle
• Geschäftsmodellinnovation
• Design Thinking
• Lean Start Up
• Geschäftsmodellanalyse
• Geschäftsmodelltransformation
• Business Model Canvas

Vorkenntnisse

Grundlagen der Betriebswirtschaftslehre

Literatur

• Gassmann et al, Geschäftsmodelle entwickeln (aktuelle Auflage)
• Schallmo, Digitale Transformation von Geschäftsmodellen
• Cavanillas, Curry, Wahlster, 2016. New Horizons for a Data-Driven Economy. A Roadmap for Usage and Exploitation of Big Data in Europe.
• Glass, Callahan, 2014. The Big Data Driven Business: How to Use Big Data to Win Customers, Beat Competitors, and Boost Profits, Wiley
• Franks, 2014. The Analytics Revolution: How to Improve Your Business By Making Analytics Operational In the Big Data Era, Wiley

Leistungsbeurteilung

• Ausarbeitung und Präsentation von projektbasierten Gruppenarbeiten

Kurzbeschreibung

Dieses Modul bietet eine Einführung in das maschinelle Lernen.

Methodik

Vortrag, Übungen, Diskussion

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• für ein gegebenes Problem die geeignete Methode des maschinellen Lernens auszuwählen;
• die Funktionsweise der gängigen Methoden des maschinellen Lernens zu erklären;
• die Methoden mit Computereinsatz anzuwenden und die Ergebnisse zu interpretieren;
• die Performance von Methoden zu evaluieren und mehrere Methoden zu vergleichen.

Lehrinhalte

• Grundlagen statistischen Lernens
• Überwachtes Lernen (Klassifikation, Regression): k-Nearest Neighbour, NaiveBayes, Bäume, RandomForests, Neuronale Netze, Support Vector Machines, Ensemble-Methoden (Bagging, Boosting)
• Nicht-überwachtes Lernen (Clustering): k-Means, DBSCAN
• Performance-Evaluierung und Benchmarking von Algorithmen (Confusion-Matrix, Treffergenauigkeit, Recall/Precision; ROC-Kurven, Lift-Charts)
• Experimentelles Design von Benchmarking-Experimenten

Vorkenntnisse

Angewandte Mathematik, Statistik

Literatur

• James/Witten/Hastie/Tibshirani, 2017. An Introduction to Statistical Learning. Springer.

Leistungsbeurteilung

• Laufende Übungen
• Klausur

Kurzbeschreibung

Dies Lehrveranstaltung vermittelt weiterführende statistische Methoden, mit denen mehrdimensionale Daten deskriptiv, explorativ und inferenzstatistisch analysiert werden können. Die praktische Umsetzung erfolgt mit Hilfe der Standardsoftware R.

Methodik

Integrierte Lehrveranstaltung, Fernlehre

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• mehrdimensionale Daten vorzuverarbeiten und zu visualisieren
• Methoden der Dimensionsreduktion (Hauptkomponentenanalyse, Multidimensionale Skalierung) anzuwenden
• multiple lineare Modelle (Lineare Regression, Varianz- und Kovarianzanalyse) anzupassen und für Vorhersagen zu verwenden sowie entsprechende diagnostische Methoden anzuwenden
• generalisierte lineare Modelle (Logististische Regression, Regressionsmodelle für Zähldaten) anzupassen und für Vorhersagen zu verwenden sowie entsprechende diagnostische Methoden anzuwenden
• Beobachtungen zu gruppieren/clustern und die Qualität der Lösung zu beurteilen

Lehrinhalte

• Distanzen, Kovarianzen und Korrelation
• Visualisierungsmethoden für multivariate Daten (Trellis, Parallel Coordinates, Faces etc.)
• Hauptkomponentenanalyse
• Multidimensionale Skalierung
• Multiple Lineare Regression, Mehrfaktorielle Varianzanalyse, Kovarianzanalyse
• Logistische Regression, Poissonregression, Negativ-Binomiale Regression
• Hierarchische Clusteranalyse

Vorkenntnisse

Wahrscheinlichkeitsrechnung; Angewandte Statistik

Literatur

• Everitt, Hothorn, 2011: An introduction to multivariate data analysis with R. Springer.
• Fox, Weisberg, 2019: An R Companion to Applied Regression, Third Edition. Sage.

Leistungsbeurteilung

• LV-immanente Leistungsbeurteilung und Projektarbeit

Kurzbeschreibung

Den Studierenden sollen Hilfestellungen und Methoden für die Erstellung ihrer Arbeiten geliefert werden. Die beinhaltet alles von Themenfindung, Strukturierung der Arbeit bis hin zur Erstellung der Arbeit und das Anwenden von wissenschaftlichen Methoden.

Methodik

Präsentation durch die Lektoren, Präsentationen des Status durch die Studierenden, Workshop

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• grundlegende Typen wissenschaftlicher Veröffentlichungen zu nennen, zu beschreiben und zu unterscheiden, insbesondere Originalarbeiten, Review Papers, Konferenzbeiträge, Journal Papers und Buchbeiträge.
• facheinschlägige (auch englischsprachige) Literaturquellen hinsichtlich Nachvollziehbarkeit, Verlässlichkeit, Plausibilität und Übertragbarkeit der Erkenntnisse auf vergleichbare Problemlagen oder Kontexte zu bewerten und in der eigenen Arbeit geeignet zu verwenden bzw. zu referenzieren
• eine fachrelevante Forschungsfrage anhand des nach wissenschaftlichen Gesichtspunkten erhobenen State-of-the-Art zu begründen, nachvollziehbar zu formulieren, sowie überprüfbare Zielerreichungskriterien zu definieren
• die Phasen einer wissenschaftlichen Entwicklung oder Untersuchung mittels fachüblicher Methoden selbständig zu planen, zielgerichtet durchzuführen, nachvollziehbar zu dokumentieren, und dabei systematisch Nachvollziehbarkeit, Verlässlichkeit, Plausibilität und Übertragbarkeit der Erkenntnisse auf vergleichbare Problemlagen oder Kontexte sicherzustellen
• für die jeweilige Fragestellung geeignete Methoden auszuwählen und anzuwenden, und dementsprechend die Struktur einer Masterarbeit, ein Proposal und nachfolgend die Masterarbeit zu verfassen, insbesondere: ingenieurwissenschaftlicher Modellierungs-, Entwicklungs- und Testmethoden; experimentelle Forschungsmethoden; empirische Erhebungsmethoden
• Forschungsergebnisse in einen übergreifenden (z.B. branchenbezogenen, gesellschaftlichen, wirtschaftlichen oder ökologischen) Zusammenhang zu stellen
• eigene oder fremde wissenschaftlichen Publikation nachvollziehbar zu präsentieren, zu bewerten, und substantielle Vorschläge für die Weiterentwicklung zu formulieren

Lehrinhalte

• Wissenschaftliches Arbeiten
• Wissenschaftliches Schreiben
• Wissenschaftliche Methoden
• Struktur wissenschaftlicher Arbeiten
• Struktur wissenschaftlicher Arbeiten
• Qualitative Methoden
• Ingenieurswissenschaftliche Methoden

Vorkenntnisse

Erfahrungen aus der Verfassung der Bachelorarbeit

Leistungsbeurteilung

• LV-Immanente Leistungsbeurteilung und Abschlussprüfung

Kurzbeschreibung

In diesem Kurs kommen die bisher im Studium vermittelten Kenntnisse (Programmieren, Statistik, Data Engineering, Machine Learning, Data Science Infrastruktur) kombiniert zum Einsatz, um prototypische Lösungen für datengetriebene Fragestellungen zu entwickeln. Dabei wird für einen bestehenden großen Datensatz gezeigt, wie dieser aufzubereiten, zu portionieren und zu analysieren ist, sodass in weiterer Folge valide Vorhersagemodelle unter einer effizienten Verarbeitung des gesamten Datensatzes erstellt werden können. Im Rahmen eines Projekts spezialisieren sich die Teilnehmer*innen auf ausgewählte Formen von Daten (Textdaten, Transaktionsdaten, Zeitreihendaten, raumbezogene Daten, usw.), Verfahren (Klassifikation, Regression, Clustering, etc.) und Funktionen für mögliche Endbenutzer (Vorhersagen, Entscheidungshilfen, Empfehlungen, Visualisierungen, usw.).

Methodik

In den Präsenzeinheiten werden Impulsvorträge zu den jeweiligen Themen gegeben sowie anhand eines Referenzdatensatzes gezeigt, wie man vom Datenbezug bis zur Entwicklung einer prototypischen Lösung vorgeht. Parallel dazu sind in Projektgruppen datenbasierte Ansätze mit großen Datensätze aus unterschiedlichen Anwendungsbereichen zu erarbeiten. Die Projektergebnisse sind so aufzubereiten, dass andere Data Scientisten die Vorgehensweise und die prototypischen Lösungen nachvollziehen können. Am Ende des Kurses ist eine praktische Aufgabe in Form eines computerbasierten Tests zu bewältigen.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• eine Vorgehensweise für einen datengetriebenen Ansatz mit einem ‚guten‘ Datensatz (vom Datenbezug bis zum Erstellen einer prototypischen Lösung) nachvollziehen und selbst in der Praxis umsetzen.
• datengetriebene Ansätze in ausgewählten Bereichen (Predictive Analytics, Mustererkennung, Text Mining, Web Analytics, Empfehlungssysteme) kennenlernen und sich in einen Anwendungsfall vertiefen.
• die bisherigen Kenntnisse aus vorherigen Kursen (Programmieren, Statistik, Data Engineering, Machine Learning, Data Science Infrastruktur) für das Solution Engineering anwenden.
• einen großen Datensatz für die Datenvorverarbeitung, die explorative Datenanalyse und das Modelltraining so unterteilen, dass valide Vorhersagemodelle entwickelt werden können.
• einen ‚guten‘ Datensatz für einen ausgewählten Anwendungsbereich im Rahmen eines Gruppenprojekts verwerten, um eine nutzbringende Analytics-Funktion für einen Stakeholder zu entwickeln.
• die Vorgehensweise und prototypische Lösung für einen datengetriebenen Ansatz aufbereiten und so präsentieren, damit andere Data Scientisten diesen nachvollziehen können.
• sich in einen dokumentierten Analytics-Ansatz einarbeiten und diesen mit einem kleinen Datensatz in effizienter Weise in der Praxis umsetzen.

Lehrinhalte

• Solution Engineering Prozess und ausgewählte Analytics Anwendungsbereiche
• Datenauswahl und -aufbereitung
• Explorative Datenanalyse und Hypothesentests
• Modelltraining und -optimierung
• Analytics-Funktionen und Prototyping
• Präsentation ausgewählter Analytics-Lösungen
• Evaluierung von Analytics-Prototypen

Vorkenntnisse

Programming (Python/R), Statistik, Data Engineering, Machine Learning, Data Science Infrastruktur

Leistungsbeurteilung

• Wöchentliche Aufgaben zu praktischen Fertigkeiten (40%)
• Gruppenprojekt für ein realistisches Data Science Szenario (40%)
• Computerbasierte Abschlussprüfung (20%)

Kurzbeschreibung

Big Data ist ein Schlagwort, das seit vielen Jahren in den Medien sehr präsent ist. Doch wann spricht man von „Big“ Data? Und welche Methoden gibt es, um große Datenmengen sinnvoll zu verarbeiten? Dabei definiert sich Big Data nicht nur über die Datenmenge allein. Gerade die Verarbeitung unterschiedlichster Daten aus unterschiedlichsten Quellen, mit unterschiedlichen Transportwegen und einer Vielzahl an Speicherformen bei akzeptabler Geschwindigkeit steht im Vordergrund. Für die speziellen Anforderungen werden in der Regel Rechner-Cluster verwendet. Handelt es sich zusätzlich um sensible Daten, entsteht häufig auch die Notwendigkeit, Berechnungen auf eigener Infrastruktur durchzuführen. Gleichzeitig spielen Software-as-a-Service-Angebote und die Public Cloud eine immer wichtigere Rolle. Aufbauend auf den Big Data Grundlagen, wie sie in der Lehrveranstaltung „Data Science Infrastructure“ bereits vermittelt wurden, wird in der Spezialisierung vertiefend auf Konzepte eingegangen, wie sie bei Rechner-Clustern Anwendung finden. Hadoop ist das im Open-Source-Bereich das ursprüngliche und immer noch dominierende System, wenn man hierzu auch neuere Tools wie Spark zählt. Ausgewählte Werkzeuge werden exemplarisch detaillierter behandelt. Neben der Vermittlung theoretischer Grundlagen wird ein klarer Schwerpunkt auf praktische Anwendung gelegt. Es besteht reichlich Gelegenheit, erfahrene Konzepte selbst zu erproben.

Methodik

Gruppenarbeiten, Programmierübungen, Projektarbeit

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• beurteilen, wann eine Big Data Umgebung benötigt wird
• Daten in einem Rechner-Cluster erfassen, speichern, bearbeiten und analysieren
• Projekte nach Big Data Richtlinien durchführen
• Verfahren abschätzen und einsetzen, welche speziell für den Umgang mit großen Datenmengen konzipiert sind

Lehrinhalte

• Big Data Grundlagen
• Grundlagen des Datahandlings und der Datenverarbeitung in verteilten Rechner-Clustern
• Hadoop-Grundlagen und Einblick in das Hadoop-Ökosystem
• Optionen für die Verarbeitung von Big Data in der Public Cloud
• Data and Metadata Storage in Big Data Umgebungen
• ETL und ELT-Pipelines in Big Data Umgebungen
• Verarbeitung von Streaming Data
• Machine Learning in Big Data Umgebungen
• Durchführung eines Data Science Projektes im Big Data Umfeld

Vorkenntnisse

• Python (command-line und Jupyter Notebooks) • Big Data Grundlagen aus der LV Data Science Infrastructure • grundlegende Linux-Kenntnisse, inklusive Arbeiten auf der Kommandozeile, SSH • Datenbankkenntnisse (SQL und NoSQL)

Leistungsbeurteilung

• 50% Resultate aus Gruppenarbeit (Abschlussprojekt)
• 50% Laufende Übungen

Kurzbeschreibung

Die Spezialisierung in Finance behandelt die praktische Umsetzung von Methoden und Konzepte des Data Science auf dem Gebiet der Finanzwirtschaft.

Methodik

Im Rahmen der Finance-Spezialisierung werden spezifische Fragen in Teams anhand praxisnaher Daten aus dem Finanzsektor behandelt. Ein besonderer Schwerpunkt liegt auf der Analyse und Prognose von Zeitreihendaten, wie sie beispielsweise für das Portfoliomanagement, für technische Handelsstrategien mit historischen Daten und der Prognose von Wirtschaftsdaten verwendet werden.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• den Data Science-Prozess (Data Engineering, Solution Engineering) für Finanzdaten durchzuführen
• Data Science Methoden anzuwenden, um relevante Fragestellungen im Finanzsektor zu beantworten
• Fortgeschrittene Zeitreihenanalysen (ARIMA-Modellierungen) durchzuführen
• einen Überblick über R-Frameworks für Finanzdaten zu geben
• Finanzmarktdaten zu analysieren und zu modellieren

Lehrinhalte

• Data Science Anwendungen im Finanzbereich
• Downloaden und Bereitstellen von Finanzmarktdaten über verschiedene Schnittstellen
• Zeitreihendaten mit der Programmiersprache R analysieren
• Aufgabenteilung im Team, Synchronisierung von Code und Ergebnissen über die Versionsverwaltung Git
• Präsentation von Ergebnissen, die schlüssige Begründung der Schritte und Interpretation der Resultate
• Gestaltung eines kleinen Workshops

Vorkenntnisse

R und RStudio, Interesse an Finanzmärkten, Versionsverwaltung mit Git, Teamgeist

Literatur

• Lopez de Prado, Marcos, 2018, "Advances in Financial Machine Learning", John Wiley & Sons

Leistungsbeurteilung

• 50% Laufende Übungen
• 50% Gruppenarbeit

Kurzbeschreibung

Durch die Digitalisierung und Automatisierung von Geschäftsprozessen nimmt die Menge der verfügbaren Prozessdaten zu, was Organisationen vor neue Herausforderungen für die Echtzeitüberwachung von laufenden Prozessen sowie die nachträgliche Auswertung von Prozessausführungsdaten stellt. Techniken wie Process Mining unterstützen gemeinsam mit visueller Datenanalyse die Auswertung solcher Daten. Die Anwendungsgebiete sind vielfältig, und reichen von der Entdeckung ausgeführter Prozesse, über die Überprüfung auf Einhaltung von internen und externen Compliance-Regeln oder die Entdeckung potentieller Angriffe und Missbräuche, bis hin zur Verbesserung der zugehörigen Prozesse hinsichtlich Effektivität und Wirtschaftlichkeit. Diese Spezialisierung gibt einen Überblick über die wirtschaftlichen und technischen Aspekte von Process Analytics.

Methodik

Live-Demos und -Tutorials, Praktische Gruppenarbeiten, Kurzvorträge, Einzelarbeiten

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• einen Überblick über die verschiedenen Anwendungsgebiete und Zielstellungen von Process Analytics zu geben
• für einen konkreten Anwendungsfall die passenden Analysemethoden auswählen und deren grundsätzliche Funktionsweisen zu erklären
• Geschäftsprozessdaten vorbereiten, in einem Process Mining Tool wie Fluxicon Disco, ProM und/oder Celonis Process Mining visualisieren sowie mit einer passenden Methode analysieren und die Ergebnisse interpretieren
• Handlungsempfehlungen aus den Analyseergebnissen ableiten

Lehrinhalte

• Anwendungsgebiete und -ziele von Process Analytics und Process Mining (Process Discovery, Process Improvement, Performance Monitoring, Compliance & Conformance Checking, Fraud Detection und Prediction)
• Methoden und Techniken zur Analyse von Geschäftsprozessdaten
• Die Datenstruktur von Geschäftsprozessdaten
• Einlesen, vorbereiten, visualisieren und analysieren von Geschäftsprozessdaten mit Fluxicon Disco, ProM und/oder Celonis Process Mining, basierend auf verschiedenen Use Cases
• Interpretation von Analyseergebnissen und Ableitung von Handlungsempfehlungen

Vorkenntnisse

Keine

Leistungsbeurteilung

• 70% Praktisches Gruppenprojekt und Präsentationen
• 30% Einzelabgaben

Kurzbeschreibung

Dieses Modul gibt eine Einführung in die Rechenmethoden der Künstlichen Intelligenz.

Methodik

Vortrag, Übungen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• einen Überblick über die wichtigsten Strömungen der Künstlichen Intelligenz zu geben sowie deren potentielle Einsatzgebiete und Einschränkungen zu kennen
• logische Schlussfolgerung auf Basis von Aussagen- oder Prädikatenlogik bzw. Schlussfolgerungen mit Unsicherheit zu ziehen, um einfache Problemstellung mit numerischen, sequentiellen, hierarchischen oder geographischen Daten zu lösen.
• Such-, Spiel- und Problemlösungsstrategien für Anwendungsszenarien auszuwählen, algorithmisch umzusetzen und hinsichtlich der Zielvorgabe, des Rechenaufwands und Speicherbedarfs abzuschätzen.
• ein Verfahren für Lernen durch Verstärkung und der Computerlinguistik anzuwenden.
• Deep Learning-Netzwerke (zB Convolutional NN, Recurrent NN) zu erklären und für Probleme der Mustererkennung anzuwenden
• Statistische Lernmethoden (zB Bayesian Belief Networks) zu erklären und für Vorhersagen anzuwenden
• vorgefertigte Scripts auszuführen bzw. für vorgegebene Aufgabenstellungen aus dem Bereich der KI zu adaptieren.

Lehrinhalte

• Grundlagen, Ausrichtungen, Anwendungen
• Logik und Schließen mit Unsicherheit
• Suchen, Spielen und Probleme lösen
• Neuronale Netze und Deep Learning
• Lernen durch Verstärkung
• Statistisches Lernen
• Computerlinguistik

Vorkenntnisse

Machine Learning Algorithmen & Datenstrukturen

Literatur

• Ertel, W., 2016. Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. 4. Auflage. Springer Vieweg.
• Russel, Norvig, 2015. Artificial Intelligence: A Modern Approach, Pearson.

Leistungsbeurteilung

• Übungen
• Abschlussklausur

Kurzbeschreibung

Ziel dieses Moduls ist die Umsetzung des praktischen Teils der Masterthesis.

Methodik

Projektarbeit; Prototyping; laufende Evaluierung; Diskussion

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• Data Science-Projektziele zu definieren.
• ein Data Science-Projekt mit Projektmanagementmethoden erfolgreich zu planen und umzusetzen
• einen Data Science-Projekt-Pitch erfolgreich vorzubereiten und durchzuführen
• aktuelle Forschungsergebnisse in die Projektarbeit zu integrieren
• ein Projekt-Proposal für ein wissenschaftliches Data Science-Projekt zu erstellen
• ein Data Science-Projekt korrekt zu dokumentieren und umzusetzen.
• Zielgruppengerecht und kreativ sein Forschungsvorhaben zu präsentieren.

Lehrinhalte

• Projektmanagement
• Präsentationstechnik
• Storytelling
• Idea Selling
• Proposalerstellung
• Dokumentation von Projekten

Vorkenntnisse

Alle relevanten Studieninhalte, insb. Solution Engineering

Literatur

• Provost, Fawcett, 2013. Data Science for Business. O’Reilly
• Ojeda, Murphy, Bengfort, Dasgupta, 2014. Practical Data Science Cookbook – Real-World Data Science Projects to Help You Get Your Hands On Your Data

Leistungsbeurteilung

• Projektbericht
• Präsentation

Kurzbeschreibung

Im Rahmen dieses Moduls erwerben die Studierenden grundlegende Kenntnisse und Kompetenzen auf dem Gebiet des Datenschutzrechts und haben die Möglichkeit zum Erwerb einer Zertifizierung als "Datenschutzbeauftragter" nach Austrian Standards. Des weiteren werden ethische Fragestellungen im Zusammenhang mit Data Science diskutiert.

Methodik

Vortrag, Fallbeispiele und Fernlehre. Diskussion.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• Personen und Organisationen in Bezug auf das geltende Datenschutzrecht zu beraten
• die Einhaltung der geltenden Datenschutzvorschriften zu überwachen und zu koordinieren
• die Aufgaben eines Datenschutzbeauftragen nach Art 39 DSGVO wahrzunehmen
• • ausgewählte Grundpositionen der Data Science Ethics wie z. B. die Ansprüche auf Fairness, Sicherheit und Transparenz anhand einfacher Fallbeispiele zu erläutern • den Verantwortungsbegriff zu erklären und auf Situationen der beruflichen Praxis von Data Scientists zu übertragen
• den Verantwortungsbegriff zu erklären und auf Situationen der beruflichen Praxis von Data Scientists zu übertragen
• die Schritte ethischer Urteilsbildung und Argumentation zu beschreiben und in Fallbeispielen für die Analyse von konkreten Arbeitsaufgaben in datenverarbeitenden Organisationen anzuwenden

Lehrinhalte

• Entstehungsgeschichte und Anwendungsbereich der Datenschutz-Grundverordnung
• Grundsätze der Datenverarbeitung des Datenschutzrechts (Rechtmäßigkeit der Datenverarbeitung, Datenkategorien)
• Pflichten von Verantwortlichen und Auftragsverarbeitern
• Betroffenenrechte
• Gewährleistung von Datenschutz und Datensicherheit (insbesondere Informationssicherheit gemäß ISO 27001)
• Rechtsbehelfe, Haftung und Strafen
• Grundzüge des Österreichischen Datenschutzgesetzes
• Ethische Fragestellungen im Zusammenhang mit Datenbeschaffung und Datenmanipulation
• Folgeabschätzung von Datenverknüpfung, Data Science Ethics

Vorkenntnisse

Grundzüge des Privatrechts, Grundzüge des öffentlichen Rechts

Literatur

• Forgó (2018), Grundriss Datenschutzrecht.
• Jahnel/Pallwein-Prettner (2021), Datenschutzrecht. 3. Auflage.
• Knyrim, Datenschutz-Grundverordnung - Das neue Datenschutzrecht in Österreich und der EU (2016)
• aumer, B.S., Kaplan, D.T. & Horton, N. J. (2021). Modern Data Science with R. Boca Raton: CRC Press. https://mdsr-book.github.io/mdsr2e/ch-ethics.html

Leistungsbeurteilung

• Klausur, mündliche Mitarbeit, Fernlehraufgaben

Kurzbeschreibung

Dieser Kurs adressiert die Phasen nach dem Solution Engineering, nämlich die Kommunikation und das Bereitstellen von Vorhersagemodellen sowie die Integration dieser in eine bestehende Systemlandschaft. Dem entsprechend wird im Rahmen eines Projekts erarbeitet, wie man die Ergebnisse eines Data Science Projekts präsentiert bzw. über eine entsprechende Plattform zur Weiterentwicklung innerhalb einer Community aufbereitet. Zudem lernen die Teilnehmer*innen, wie man prototypisch entwickelt Vorhersagemodelle als Web Service bereitstellt, wie man diese bei einem Cloud-Anbieter umsetzt und wie man interaktive Visualisierungen zum Erkunden der Vorhersagen erstellt.

Methodik

In den Präsenzeinheiten werden Impulsvorträge zu den jeweiligen Themen gegeben sowie anhand einer Referenzlösung gezeigt, wie man prototypische Lösung kommunizieren und auf unterschiedliche Arten verwerten kann. Parallel dazu sind in Projektgruppen die Lösungen aus dem Kurs Solution Engineering entsprechend der Kursthemen zu verwerten. Am Ende des Kurses ist eine praktische Abschlussprüfung zu absolvieren.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• grafische Darstellungen kritisch auf ihren Informationsgehalt zu überprüfen und effektive Visualisierungen für Endbenutzer zu entwerfen.
• interaktive Grafiken und Diagramme für Anwender zu entwerfen und umzusetzen.
• spezielle Visualisierungsmethoden für Geodaten und andere kreative Darstellungsmethoden anzuwenden.
• Programmierschnittstellen in R und Python zu nutzen, um Funktionalität in anderen Sprachen (R, Python, C, Java, usw.) einzubinden, sowie R/Python-Scripts aus externen Systemen aufzurufen.
• R- und Python-basierte Vorhersagemodelle als Web Service anzubieten sowie diese für Cloud-Dienste bereitzustellen.
• eine prototypische Data Science Lösung auf einer Community Plattform so aufzubereiten, dass sie von anderen Data Scientisten weiterverwendet werden kann.

Lehrinhalte

• Grundlagen der Informationsvisualisierung
• Interaktive Datenvisualisierung in R und Python
• Darstellung und Auswertung von Geo-Daten
• Schnittstellen zwischen R, Python und anderen Programmiersprachen
• Web Services und Cloud-Lösungen mit R und Python
• Data Science Community Plattformen

Vorkenntnisse

Programming (Python/R), Statistik, Data Engineering, Machine Learning, Data Science Infrastruktur, Solution Engineering

Literatur

• R. Krum: "Cool Infographics: Effective Communication with Data Visualization and Design", 1. Edition. Indianapolis, IN: Wiley, 2013.
• S. Berinato: "Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations", Illustrated Edition. Boston, Massachusetts: Harvard Business Review Press, 2016.
• S. Wexler, J. Shaffer, A. Cotgreave: "The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios", 1. Edition. Hoboken, New Jersey: Wiley, 2017.
• G. C. Hillar: "Hands-On RESTful Python Web Services: Develop RESTful web services or APIs with modern Python 3.7", 2. Edition. Packt Publishing, 2018.
• J. Lawhead: "Learning Geospatial Analysis with Python: Understand GIS fundamentals and perform remote sensing data analysis using Python 3.7", 3rd Edition, 3. Edition. Packt Publishing, 2019.
• R. Lovelace, J. Novosad, J. Muenchow: "Geocomputation with R". https://geocompr.robinlovelace.net/ .(zugegriffen Apr. 21, 2021).
• H. Tenkanen, V. Heikinheimo, D. Whipp: "Introduction to Python for Geographic Data Analysis". https://python-gis-book.readthedocs.io/en/latest/index.html .(zugegriffen Apr. 21, 2021).

Leistungsbeurteilung

• Wöchentliche Aufgaben zu praktischen Fertigkeiten (40%)
• Gruppenprojekt für ein realistisches Data Science Szenario (40%)
• Computerbasierte Abschlussprüfung (20%)

Kurzbeschreibung

Dieses Modul bietet einen Überblick über die Anwendungen von Data Science im Bereich Healthcare.

Methodik

Live-Demos und -Tutorials, Praktische Gruppenarbeiten, Kurzvorträge, Einzelarbeiten

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• • Data Science Anwendungen im Bereich Healthcare benennen und abgrenzen
• • die Funktionsweise von bildgebenden Systemen beschreiben und in Data Science Anwendungen berücksichtigen (Physik der Datenaufnahme, Datenprobleme wie z.B. Bildartefakte erkennen und damit umgehen)
• • biomedizinische Daten von verschiedenem Format einlesen, darstellen und analysieren
• • Methoden aus Machine Learning und Deep Learning an konkreten biomedizinischen Daten anwenden

Lehrinhalte

• • Generelle Einführung in die Domäne Healthcare
• • Grundlagen von bildgebenden Verfahren und Datenverarbeitung
• • Standards von biomedizinischen Daten
• • Anwendungen in medizinischer Bildgebung und molekularer Dynamik

Vorkenntnisse

Data Science, Machinelles Lernen & KI Grundlagen, python

Leistungsbeurteilung

• Gruppen-Projektarbeit – 50%
• Prüfungsgespräch– 50%

Kurzbeschreibung

IoT und intelligente Technologien in Smart Cities sind aktuelle und zukunftsweisende Themen, die in den Bereichen Energie, IKT und Mobilität in den nächsten Jahren weiteres Wachstum und Innovationen erfahren werden.

Methodik

Problemorientiertes Lernen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• Themen- und Handlungsfelder, sowie Herausforderungen z.B. in den Bereichen Energie und Mobilität einer Smart City zu erklären.
• Anwendungsfälle zu Edge, Cloud & Fog computing zu definieren und umzusetzen.
• Open Data Datensätze zu verarbeiten und Anwendungsfälle umzusetzen (z.B. analysieren, kombinieren und visualisieren).
• Daten über unterschiedliche Übertragungstechnologien (LoRa, Nb-IoT, Bluetooh, WiFi, 4G/5G) und von ausgewählten Schnittstellen abzurufen.

Lehrinhalte

• Smart City Handlungsfelder, Herausforderungen, Typische Problemstellungen und Anwendungsfälle
• Auslesen und Verarbeiten von Sensordaten
• Verwendung von verschiedenen Übertragungstechnologien
• Verarbeitung und Auswertung der Daten mittels Node-RED, InfluxDB & Grafana
• Analyse und Kombination von Open Data Datensätzen

Vorkenntnisse

Lehrveranstaltungen: -) Grundzüge Algorithmen & Datenstrukturen -) Data Science Infrastructure -) Scripting

Leistungsbeurteilung

• 25% Übungen
• 50% Projektausarbeitung
• 25% Workshopdurchführung zum Projekt

Kurzbeschreibung

In diesem Modul wird die Erstellung der Masterarbeit begleitet.

Methodik

Präsentation; Diskussion

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• zu einem fachspezifischen Thema eine wissenschaftliche Fragestellung zu formulieren
• wissenschaftliche Methoden auf die wissenschaftliche Fragestellung anzuwenden
• die eigene Masterarbeit zu reflektieren und verbessern
• wissenschaftliche Abstrakte nach den vorgegebenen formalen Kriterien zu gliedern
• wissenschaftliche Abstrakte nach den vorgegebenen sprachlichen Kriterien zu verfassen.

Lehrinhalte

• Erarbeitung und Diskussion von vertiefenden Themen der Masterarbeit
• Rolle, Inhalte, Stil, Formen (bzw. Forschung und Review) wissenschaftlicher Papers
• Gliederung eines wissenschaftlichen Papers
• Sprachliche Kriterien einer wissenschaftlichen Arbeit
• Verfassung eines wissenschaftlichen Papers

Vorkenntnisse

Grundlagen wissenschaftlichen Arbeitens

Literatur

• Baltzert, Schröder, 2017. Wissenschaftliches Arbeiten: Ethik, Inhalt & Form wiss. Arbeiten, Handwerkszeug, Quellen, Projektmanagement, Präsentation, Springer.

Leistungsbeurteilung

• Präsentation

Kurzbeschreibung

Ziel dieses Moduls ist die Erstellung der Masterarbeit.

Methodik

Wissenschaftliche Projektarbeit und wissenschaftliches Schreiben.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

• ein komplexes und praxisrelevantes Thema mit Hilfe von wissenschaftlichen Fragestellungen einzugrenzen.
• ein komplexes und praxisrelevantes Thema mit Hilfe von wissenschaftlichen Methoden zu bearbeiten
• die Auswahl der wissenschaftlichen Methode adäquat zu argumentieren.
• die erhaltene Lösung adäquat zu validieren und zu diskutieren.

Lehrinhalte

• Erstellung einer Masterarbeit
• Verwendung wissenschaftlicher Methoden
• Erarbeiten von Forschungsfragen
• Wissenschaftliches Arbeiten
• Wissenschaftliches Schreiben

Leistungsbeurteilung

• Beurteilung der Masterarbeit lt. FHTW Vorgaben.