--- Angabe der Prüfungsordnung (ohne Angabe: PO 2011)
--- *** PO 2017 ***
------------------------------------------------------------------
---
--- Vorlage für Modulbeschreibungen
---
--- Version: 2.0
---
--- 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.
---
------------------------------------------------------------------

*** Studiengang und Semester
--- für Studiengang nur Kürzel verwenden: BaE, BaEP, BaI, BaMT oder MaII
--- Folgende Stuiengänge sind möglich:
--- 
--- BaBTBI : Bachelor Biotechnologie/Bioinformatik
--- BaCTUT : Bachelor Chemietechnik/Umwelttechnik
--- BaE    : Bachelor Elektrotechnik
--- BaEE   : Bachelor Energieeffizienz
--- BaSES  : Bachelor Sustainable Energy Systems
--- BaEP   : Bachelor Elektrotechnik im Praxisverbund
--- BaI    : Bachelor Informatik
--- BaIBS  : Bachelor Industrial Business Systems
--- BaIBSE : Bachelor Industrial Business Systems
--- BaLT   : Bachelor Lasertechnik/Photonik
--- BaMD   : Bachelor Maschinenbau und Design
--- BaMDP  : Bachelor Maschinenbau und Design (Praxisverbund)
--- BaMT   : Bachelor Medientechnik
--- MaALS  : Master Applied Life Science
--- MaII   : Master Industrial Informatics
--- MaMb   : Master Maschinenbau
--- MaTM   : Master International Technical Management
--- MaTMeng: Master International Technical Management (eng)
---
--- Das Semester wird davor geschrieben, auch Semesterbereiche möglich
--- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese
--- durch Komma getrennt aufgeführt.
---
--- Beispiel: 2BaI, 2-3BaE, 5BaMT

5BaIBS, 7BaMD

*** Modulbezeichnung
--- Name laut Modulliste verwenden

Data Science

*** Englische Modulbezeichnung
Data Science


*** Art
--- nur Alternativen: Pflichtfach, Wahlpflichtfach
---
--- Beispiele: 
--- Pflichtfach
Wahlpflichtfach
--- Pflichtfach Vertiefung Technische Informatik



*** ECTS-Punkte
--- nur Zahl angeben
--- Beispiele:
5
--- 7,5



*** Studentische Arbeitsbelastung
--- Angabe als x Stunden Kontaktzeit und y Stunden Selbststudium
--- Format: x, y
--- bei 2V+2P: 60, 90
--- bei 3V+1P: 60, 90
--- bei 4V+0P: 60, 90
--- bei 4V+2P: 90, 135
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
Mathematik I, Mathematik II


*** 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



*** Lehrmethoden und Lernmethoden
--- Alternativen: Vorlesung, Praktikum, Seminar, Studentische Arbeit
--- Falls Modul aus mehreren Veranstaltungen besteht, werden diese durch
--- Komma getrennt aufgeführt.
Seminar


*** Modulverantwortlicher
--- Vorname abgekürzt, keine Titel
--- Beispiel: F. Rump

E. Wings

*** Qualifikationsziele
--- Fließtext eingeben
--- siehe Vorgaben in der Dokumentation

Data Science ist ein interdisziplinäres Fach, das die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet zusammenführt. In dieser Veranstaltung
verstehen die Studierende, wie alle drei Teilgebiete gleichermaßen berücksichtigt werden.
Diese Veranstaltung führt die Studierende in Data Science ein, indem grundlegende Prinzipien der Datenanalyse erläutert und Ihnen geeignete Techniken und Werkzeuge vorstellt werden. Sie lernen nicht nur, wie sie Bibliotheken, Frameworks, Module und Toolkits konkret einsetzen, sondern implementieren auch selbst. Dadurch entwickeln sie ein tieferes Verständnis für die Zusammenhänge und erfahren, wie essenzielle Tools und Algorithmen der Datenanalyse im Kern funktionieren. 


*** Lehrinhalte
--- Fließtext eingeben
Bestand der Veranstaltung ist eine Einführung in Python 3 und seinem Ökosystem. Die Grundlagen von linearer Algebra, Statistik und Wahrscheinlichkeitsrechnung werden erarbeitet und in Data Science eingesetzt. Des Weiteren werden verschiedene Algorithmen aus dem Bereich Data Science mit ihren Anwendungsgebieten vorgestellt. Es werden Modelle, z.B. k-nearest Neighbors, Naive Bayes, lineare und logistische Regression, Entscheidungsbäume, neuronale Netzwerke und Clustering, gezeigt. Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens werden diskutiert.


*** Literatur
--- Format: Heun, V.: Grundlegende Algorithmen, Vieweg, 2000.
--- Mehrere Literaturangaben durch Leerzeilen trennen!

	
Frochte, Jörg: Maschinelles Lernen - Grundlagen und Algorithmen in Python, 2. Auflage, 2019, Hanser Verlag

Grus, Joel: Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python, 2016, O'Reilly  


------------------------------------------------------------------
---
--- 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

E. Wings

*** SWS
--- Zahl angeben

4