Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

  
Studiengang:Master Nachhaltige Energiesysteme
Studiengangsart:FH-Masterstudiengang
 Berufsbegleitend
 Sommersemester 2026
  

Titel der Lehrveranstaltung / des ModulsData Science 1
Kennzahl der Lehrveranstaltung / des Moduls072722320401
UnterrichtsspracheDeutsch
Art der Lehrveranstaltung (Pflichtfach, Wahlfach)Pflichtfach
Semester in dem die Lehrveranstaltung angeboten wirdSommersemester 2026
Semesterwochenstunden2
Studienjahr2026
Niveau der Lehrveranstaltung / des Moduls laut Lehrplan2. Zyklus (Master)
Anzahl der zugewiesenen ECTS-Credits3
Name des/der VortragendenElias EDER


Voraussetzungen und Begleitbedingungen

Lehrveranstaltung "Programmiertechniken"

Lehrinhalte
  • Datenstrukturen und -formate: csv, excel, json, xml, Datenbanken, mqtt, etc.
  • Handling von Zeit- und Datumsangaben
  • Datenmanagement im Python insbesondere mit den Python-Paketen NumPy und pandas
  • Transformieren und Aggregieren von Daten
  • Visualisierungen, insbesondere mit den Python-Paketen matplotlib und seaborn
  • Berechnung und Interpretation statistischer Kennzahlen: Mittelwert, Median, Standardabweichung, Varianz, Korrelation, etc.
Lernergebnisse

Die Studierenden können

  • typische Energiedaten strukturiert erfassen und in passenden Dateiformaten speichern.
  • mittels Python und Pandas Energiedaten einlesen, bereinigen, filtern, aggregieren und transformieren.
  • Energiedaten explorativ analysieren und visualisieren.
  • Analysemethoden und -ergebnisse interpretieren und kommunizieren.

  • typische statistische Kennzahlen berechnen und interpretieren.

Die Studierenden erwerben folgende Future Skills:

  • Digital Literacy: Implementieren am Computer mit Python

  • Communication Skills: Kommunizieren von Analysemethoden und -ergebnissen

  • Environmental and Sustainability Awareness: Anwendung auf Energiedaten
Geplante Lernaktivitäten und Lehrmethoden

Integrierte Lehrveranstaltung mit Vorlesungen und Übungen.

Prüfungsmethode und Beurteilungskriterien
  • Bewertung von Übungsaufgaben (40 %)
  • Schriftliche Prüfung (60 %)

Für eine positive Gesamtnote müssen bei jedem Prüfungsteil mindestens 50 % der Punkte erreicht werden.

Kommentar

Keiner

Empfohlene Fachliteratur und andere Lernressourcen
  • McKinney, Wes (2022): Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter. 3rd edition. O’Reilly.
  • Vanderplas, Jake (2023): Python Data Science Handbook: Essential Tools for Working with Data. 2nd edition, O’Reilly.
  • Fahrmeir, Ludwig et al. (2024): Statistik: Der Weg zur Datenanalyse. 9. Auflage, Springer.
  • Grus, Joel (2019): Data Science from Scratch: First Principles with Python. 2nd edition, O’Reilly.
Art der Vermittlung

Präsenzlehrveranstaltung und Blended Learning (Begleitetes Lernen mit einer Webseite). Die Studierenden werden vor Beginn der Lehrveranstaltung über die Anwesenheitsvorgaben der Lehrbeauftragten informiert.






Sommersemester 2026an den Anfang