LFU:online

Anmeldevoraussetzung: keine

Lernergebnis: Die Studierenden erwerben ein tiefgehendes Verständnis für Learning-Umgebungen zur Behandlung von Data-Science-Aufgaben. Sie können mathematische Konzepte anwenden, um grundlegende Methoden des Data Science zu entwickeln und zu analysieren. Darüber hinaus haben sie einen Überblick über Erweiterungen solcher Methoden und deren Anwendungen. Die Studierenden können grundlegende Data-Science-Aufgaben mit einem geeigneten Softwaresystem wie etwa R oder Python ausführen, beispielsweise importieren, reinigen/transformieren, visualisieren und modellieren von Daten unter Verwendung grundlegender Werkzeuge. Sie können Zwischen- und Endergebnisse von Data-Science-Projekten sowohl gegenüber Fachexpertinnen und -experten als auch Endbenutzerinnen und -benutzern kommunizieren, beispielsweise in Form eines schriftlichen Berichts, von Präsentationsfolien, einer Web-App oder als Dashboard. Studierende können Daten verschiedenen Typs (numerisch, kategorial, räumlich und zeitlich) aus unterschiedlichen Quellen (Einzeldateien, Datenbanken, webbasierte Formate) zusammenführen und zusammenfassen, um sie anschließend mittels Data-Science-Methoden zu analysieren.

Anmeldevoraussetzung: absolvierte Lehrveranstaltungen im Umfang von mindestens 15 ECTS-AP aus Pflichtmodul 1

Lernergebnis: Studierende erwerben tiefgehende Kenntnisse über Supervised Learning mittels Verteilungsregression, über Unsupervised Learning für multivariate Daten sowie Supervised Learning mittels algorithmischer Modelle. Sie besitzen die Fähigkeit, für eine konkrete Aufgabe eigenständig ein wahrscheinlichkeitstheoretisches Modell auszuwählen und anzupassen, insbesondere fällt darunter die Wahl geeigneter Antwortverteilung, Regressoren und Algorithmen zur Parameterschätzung. Sie sind in der Lage, dimensionsreduzierende Verfahren sowie Scaling, Clustering und Assoziationsanalyse anzuwenden. Für eine konkrete Problemstellung können sie eigenständig ein prädiktives Modell auswählen und anpassen, insbesondere setzen sie flexible Lernstrategien unter Verwendung entsprechender Bausteine (Base Learners, Kernels, Regeln usw.) sowie Hyperparameter-Tuning um.