--- Angabe der Prüfungsordnung (ohne Angabe: PO 2011) *** PO 2017 *** ------------------------------------------------------------------ --- --- Vorlage für Modulbeschreibungen --- --- Version: 1.0 --- --- Allgemeine Hinweise: --- --- - Kommentare beginnen mit --- und werden komplett ignoriert --- --- - Wichtige Schlüsselwörter beginnen mit *** und dürfen nicht --- verändert oder gelöscht werden!!! --- --- - Die Eingaben müssen immer in den leeren Zeilen nach *** erfolgen. --- --- - Für einen Zeilenumbruch muss eine Leerzeile eingegeben werden. --- --- - Aktuelle Modulhandbücher: --- BaI : http://oow.hs-el.de/studium/pdf_bm/mh/mh_b_informatik_emd.pdf --- BaE : http://oow.hs-el.de/studium/pdf_bm/mh/mh_b_elektrotechnik_automatisierungstechnik_emd.pdf --- BaMT: http://oow.hs-el.de/studium/pdf_bm/mh/mh_b_medientechnik_emd.pdf --- MaII: http://oow.hs-el.de/studium/pdf_bm/mh/mh_m_industrial_informatics_emd.pdf --- ------------------------------------------------------------------ *** Studiengang und Semester --- für Studiengang nur Kürzel verwenden: E, EP, EE, I, MT oder II --- Semester wird davor geschrieben, auch Semesterbereiche möglich --- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese --- durch Komma getrennt aufgeführt. --- --- Beispiel: 2I, 2-3E, 5MT 5I, 5BaBTBI, 7BaIP ---, 2MaII *** Modulbezeichnung --- Name laut Modulliste verwenden Data Science *** Englische Bezeichnung Data Science *** Modulsprache Deutsch *** Modulkuerzel DASC *** *** Art --- nur Alternativen: Pflichtfach, Wahlpflichtfach --- --- Beispiele: --- Pflichtfach --- Wahlpflichtfach BaI: Pflichtfach BaIP: Pflichtfach BaBTBI: Pflichtfach Vertiefung Bioinformatik --- MaII: Wahlpflichtfach *** ECTS-Punkte --- nur Zahl angeben --- Beispiele: --- 5 --- 7,5 5 *** Studentische Arbeitsbelastung --- Angabe als x Stunden Kontaktzeit und y Stunden Selbststudium --- Format: x, y --- bei 2V+2P: 70, 80 --- bei 3V+1P: 70, 80 --- bei 4V+0P: 70, 80 --- bei 4V+2P: 105, 120 60,90 *** Voraussetzungen (laut Prüfungsordnung) --- nur Modulbezeichnungen aufführen, z.B. Java 1 *** Empfohlene Voraussetzungen --- zusätzliche Module, die nicht in Prüfungsordnung als Voraussetzung stehen --- nur Modulbezeichnungen aufführen, z.B. Java 1 BaI: Java 1, Java 2, Datenbanken BaBTBI: Programmieren 1, Programmieren 2 BaIP: Grundlagen der Programmierung 1, Grundlagen der Programmierung 2, Datenbanken --- Java 1/Programmieren 1, Java 2/Programmieren 2, Datenbanken *** Pruefungsform und -dauer --- Alternativen: --- Klausur 1,5 h --- Klausur 1,5h oder mündliche Prüfung --- Mündliche Prüfung --- Erstellung und Dokumentation von Rechnerprogrammen --- Mündliche Präsentation und schriftliche Dokumentation Klausur 1,5 h oder mündliche Prüfung *** Lehrmethoden und Lernmethoden --- Alternativen: Vorlesung, Praktikum, Seminar, Studentische Arbeit --- Falls Modul aus mehreren Veranstaltungen besteht, werden diese durch --- Komma getrennt aufgeführt. Vorlesung, Praktikum *** Modulverantwortlicher --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump T. Schmidt *** Qualifikationsziele --- Fließtext eingeben --- siehe Vorgaben in der Dokumentation Die Studierenden kennen die wesentlichen Konzepte in den Bereichen i) Datenintegration und Datenhaltung ii) Datenanalyse und Wissensmanagement sowie iii) Datenvisualisierung und Informationsbereitstellung. Die Studierenden verstehen die Anforderungen von großen Datenmengen (Big Data), kennen grundlegende Konzepte (z.B. MapReduce) und sind mit aktuellen Big-Data Technologien (z.B. Hadoop, Spark) vertraut und können diese auf praktische Problemstellungen anwenden. *** Lehrinhalte --- Fließtext eingeben Vorgestellt werden grundlegende Konzepte und Methoden aus den Data Science Bereichen Maschine Learning/Knowledge Data Discovery in Databases und Big Data die mit praktischen Übungen verdeutlicht werden. Stichworte sind: Bereich KDD/ML: 1) supervised/unsupervised learning 2) Algorithmen: clustering (hierarchical, top-down vs. bottom-up, k-means), classification, Decision Trees, Random Forest, Apriori 3) Evaluation measures: confusion matrix, ROC, Silhouette, unbalanced classes, challenges & pitfalls. Bereich Big Data: 1) Big Data Collection: cleaning & integration, data platforms & the cloud 2) Big Data Storage: Hadoop, modern databases, distributed computing platforms, MapReduce, Spark, NoSQL/NewSQL 3) Big Data Systems: Security, Scalability, Visualisation & User Interfaces 4) Big Data Analytics: Fast Algorithms, Data Compression, Machine Learning Tools for Big Data Frameworks, Case Studies & Applications (e.g. Medicine, Finance) *** Literatur --- max. drei Angaben --- Format: Heun, V.: Grundlegende Algorithmen, Vieweg, 2000. --- Mehrere Literaturangaben durch Leerzeilen trennen! Freiknecht, Jonas: Big Data in der Praxis: Lösungen mit Hadoop, HBase und Hive. Daten speichern, aufbereiten, visualisieren, Carl Hanser Verlag, 2014 Karau, Holden: Learning Spark: Lightning-Fast Big Data Analysis, O'Reilly, 2015 Ester, Martin: Knowledge Discovery in Databases - Techniken und Anwendungen, Springer Verlag, 2000 ------------------------------------------------------------------ --- --- Hier beginnt die Aufzählung der einzelnen Lehrveranstaltungen --- des Moduls (z.B. Vorlesung und Praktikum). --- --- Falls mehrere Lehrveranstaltungen vorgesehen sind, bitte die --- entsprechenden Bereiche auskommentieren. --- ------------------------------------------------------------------ *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Data Science *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump T. Schmidt *** SWS --- Zahl angeben 3 *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Praktikum Data Science *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump T. Schmidt *** WiMi *** SWS --- Zahl angeben 1 *** Parallelitaet 2 *** ------------------------------------------------------------------ --- --- Ausfüllen der Modul-Kompetenz-Matrix nicht vergessen! --- ------------------------------------------------------------------