--- Angabe der Prüfungsordnung (ohne Angabe: PO 2011) *** PO 2024 *** ------------------------------------------------------------------ --- --- 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 --- Folgende Studiengänge sind möglich: --- --- BaSES : Bachelor Sustainable Energy Systems --- --- Das Semester wird davor geschrieben, auch Semesterbereiche möglich --- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese --- durch Komma getrennt aufgeführt. --- 6BaMD, 7BaMDP, 6BEEEE *** Modulbezeichnung --- Name laut Modulliste verwenden Data Science und Physical Computing *** Englische Modulbezeichnung Data Science and Physical Computing *** Art --- nur Alternativen: Pflichtfach, Wahlpflichtfach --- --- Beispiele: --- Pflichtfach --- Pflichtfach Vertiefung Technische Informatik BaMDP: Pflichtfach BaMD: Pflichtfach BEEEE: Wahlpflichtfach *** ECTS-Punkte --- nur Zahl angeben --- Beispiele: --- 7,5 4 *** 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, 60 *** 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 Projektarbeit, Erstellung und Dokumentation von Rechnerprogrammen *** 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 Produktionstechnik zusammenführt. Nach dieser Veranstaltung sind die Studierende in der Lage, einen Prozeß zur Wissensgewinnung aus Daten aufzusetzen. Die Studierende verstehen, wie alle drei Teilgebiete gleichermaßen berücksichtigt werden. Die Studenten kennen die wesentlichen Komponenten der Datenanalyse und ihre Aufgaben. Sie sind mit den grundlegenden Funktionsweisen der Komponenten vertraut. Die Studierenden kennen den allgemeinen Aufbau der Komponenten und können die grundlegenden Algorithmen und Methoden veranschaulichen und anwenden. Sie kennen nicht nur Bibliotheken, Frameworks, Module und Toolkits, sondern können sie konkret einsetzen. Dadurch entwickeln sie ein tieferes Verständnis für die Zusammenhänge und erfahren, wie essenzielle Tools und Algorithmen der Datenanalyse im Kern funktionieren. *** Lehrinhalte --- Fließtext eingeben Die Grundlagen der Linearen 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. Anwendungen werden unter anderem aus den Bereich der Produktionstechnik verwendet. *** 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 Carou, Diego und Sartal, Antonio und Davim, J. Paulo: Machine Learning and Artificial Intelligence with Industrial Applications, 2022, Springer Verlag ------------------------------------------------------------------ --- --- 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 und Physical Computing *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump E. Wings *** SWS --- Zahl angeben 4