| Titel der Lehrveranstaltung / des Moduls | Data Science 2 |
| Kennzahl der Lehrveranstaltung / des Moduls | 072722330401 |
| Unterrichtssprache | Deutsch / Englisch |
| Art der Lehrveranstaltung (Pflichtfach, Wahlfach) | Pflichtfach |
| Semester in dem die Lehrveranstaltung angeboten wird | Wintersemester 2026 |
| Semesterwochenstunden | 3 |
| Studienjahr | 2026 |
| Niveau der Lehrveranstaltung / des Moduls laut Lehrplan | 2. Zyklus (Master) |
| Anzahl der zugewiesenen ECTS-Credits | 4 |
| Name des/der Vortragenden | Elias EDER
Lukas MOOSBRUGGER |
| Voraussetzungen und Begleitbedingungen |
Lehrveranstaltung "Data Science 1" |
| Lehrinhalte |
Die Lehrveranstaltung vermittelt die klassischen Tools des Machine Learnings (aka Data Analytics, KI). Es werden die methodischen Grundlagen erläutert, sowie die Tools in einer Programmierumgebung an Beispielen angewandt.
- Datenstrukturen (Samples, Features, Target) und Datenvisualisierungen
- Statistische Grundlagen: Korrelation, statistischer Zusammenhang vs. Kausalität
- Supervised Learning: Regression vs. Klassifikation, k-Nearest Neighbors, Lineare und Logistische Regression, Linear Support Vector Machines, (Ensembles von) Decision Trees
- Unsupervised Learning: Clustering, Scaling
- Cross-Validation und Monte Carlo Analyse: Lern- und Testdatensätze, Fit und Prognose
- einfache Zeitreihenprognosen (autoregressive Modelle und Zeitdummies)
- Zusätzliche Methoden: Datentransformationen (Principal Component Analysis), Dummies, Feature Selection, Regularisierung, Grid Search
|
| Lernergebnisse |
Die Studierenden erwerben grundlegende Kenntnisse und Anwendungskompetenz in den klassischen Tools des Machine Learnings. Die Studierenden
- können zwischen statistischem Zusammenhang und Kausalität unterscheiden.
- sind in der Lage, Zusammenhänge in Daten zu finden, grafisch darzustellen und quantitativ zu bewerten.
- können Zusammenhänge in Daten auf Basis verschiedener Algorithmen modellieren.
- können zwischen supervised und unsupervised learning unterscheiden und kennen die klassischen Methoden der jeweiligen Kategorien.
- verstehen die klassischen Modelle zur Regression sowie zur Klassifizierung und können die Ergebnisse interpretieren.
- können Fits und Prognosen auf Basis verschiedener Modelle erstellen und bewerten.
- verstehen den Einfluss der Wahl ihres Datensatzes und der Modellkomplexität und kennen Methoden, ihre Modelle zu tunen und zu evaluieren.
- können mittels Cross-Validation die Güte und Robustheit ihrer Modellaussagen bewerten.
Die Studierenden erwerben folgende Future Skills:
- Critical Thinking: Interpretation von Modellen und Ergebnissen
- 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, Übungen, Coaching und Projektarbeit. |
| Prüfungsmethode und Beurteilungskriterien |
- Schriftliche Zwischenprüfung (30 %)
- Mündliche Abschlussprüfung und Bewertung der Projektarbeit (65 %)
- Verpflichtender Projektpitch (5 %)
Für eine positive Gesamtnote müssen insgesamt über alle Prüfungsteile mindestens 50 % der Punkte erzielt werden. |
| Kommentar |
Keiner |
| Empfohlene Fachliteratur und andere Lernressourcen |
- Guido, Sarah; Müller, Andreas C. (2016): Introduction to Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O’Reilly UK Ltd.
- VanderPlas, Jake (2016): Python Data Science Handbook: Essential Tools for working with Data. Sebastopol, CA: O’Reilly UK Ltd.
- Géron, Aurélien (2019): Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd ed. O’Reilly UK Ltd.
- McKinney, Wes (2017): Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd edition. Sebastopol, California: O’Reilly UK Ltd.
- Provost, Foster; Fawcett, Tom (2013): Data Science for Business: What you need to know about data mining and data-analytic thinking. O’Reilly and Associates
|
| Art der Vermittlung |
Präsenzveranstaltung |