INF.06485.05 - Einführung in Data Science (Vollständige Modulbeschreibung)

INF.06485.05	5 CP
Modulbezeichnung	Einführung in Data Science
Modulcode	INF.06485.05
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Akkreditierungsfassung gültig ab SS 2021 > Pflichtmodule Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Akkreditierungsfassung (WS 2018/19 - WS 2022/23) > Pflichtmodule Informatik (180 LP) (Bachelor) > Informatik Informatik180, Akkreditierungsfassung gültig ab SS 2021 > Pflichtmodule Informatik (180 LP) (Bachelor) > Informatik Informatik180, Akkreditierungsfassung (WS 2018/19 - WS 2022/23) > Pflichtmodule Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Akkreditierungsfassung gültig ab WS 2018/19 > Wahlpflichtmodule Physik und Digitale Technologien (180 LP) (Bachelor) > Physik Physik u. Dig. Tech. 180, Akkreditierungsfassung gültig ab WS 2019/20 > Wahlobligatorische Ergänzungsfächer
Modulverantwortliche/r
Weitere verantwortliche Personen	Prof. Dr. Andreas Dräger
Teilnahmevoraussetzungen
Kompetenzziele	Die Studierenden erwerben durch dieses Modul die folgenden Kompetenzen: Sie verstehen die Grundlagen der Wahrscheinlichkeitsrechnung und Kombinatorik und können einfache reale Vorgänge modellieren. Sie verstehen den Satz von Bayes und können Randwahrscheinlichkeiten und bedingte Wahrscheinlichkeiten sowie Randwahrscheinlichkeitsdichten und bedingte Randwahrscheinlichkeitsdichten berechnen. Sie können abhängige, unabhängige, bedingt abhängige und bedingt unabhängige Zufallsvariablen, Zufallsvektoren und Zufallsmatrizen voneinander unterscheiden und modellieren. Sie können mit univariaten Verteilungen von Zufallsvariablen und multivariaten Verteilungen von Zufallsvektoren sowie mit Erwartungswerten, Varianzen, Kovarianzen und höheren Momenten von Zufallsvariablen rechnen und diese Kompetenz zur Lösung einfacher realer Problemstellungen nutzen. Sie kennen verschiedene konjugierte Prior-Verteilungen für verschiedene univariate und multivariate Verteilungen und können mit diesen die Parameter dieser Verteilungen mittels verschiedener Schätzverfahren schätzen. Sie verstehen die Grundlagen statistischer Tests und die Bedeutung von P-Werten und können verschiedene statistische Tests zur Beantwortung einfacher Fragestellungen praktisch anwenden. Sie beherrschen die praktische Anwendung dieser Kompetenzen, um einfache Klassifikationsprobleme aus der Informatik und der Bioinformatik zu lösen, und können die Güte verschiedener Modelle oder verschiedener Klassifikatoren berechnen und miteinander vergleichen.
Modulinhalte	Kombinatorik, Wahrscheinlichkeitstheorie, Zufallsvariablen, Zufallsvektoren, Zufallsmatrizen Univariate Verteilungen, multivariate Verteilungen, matrixvariate Verteilungen, Randverteilungen, bedingte Verteilungen, Satz von Bayes Erwartungswert, Varianz, Kovarianz, Korrelationskoeffizient, höhere Momente, Erwartungswertvektor, Kovarianzmatrix Bedingter Erwartungswert, bedingte Varianz, bedingte Kovarianz, bedingter Korrelationskoeffizient, bedingter Erwartungswertvektor, bedingte Kovarianzmatrix Unabhängigkeit, bedingte Unabhängigkeit, Unkorreliertheit, bedingte Unkorreliertheit Verschiedene konjugierten Prior-Verteilungen für verschiedene Verteilungen, Schätzverfahren Statistische Tests und Klassifikation von Daten aus der Informatik und der Bioinformatik
Lehrveranstaltungsformen	Vorlesung (2 SWS) Übung (2 SWS) Kursus Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Wintersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %; LV 4: %.
Faktor der Modulnote für die Endnote des Studiengangs	1

Modulveranstaltung	Lehrveranstaltungsform	Veranstaltungstitel	SWS	Workload selbstgestaltete Arbeit	Workload Summe
LV 1	Vorlesung	Vorlesung	2		0
LV 2	Übung	Übung	2		0
LV 3	Kursus	Bearbeitung der Arbeitsblätter und Übungsaufgaben			0
LV 4	Kursus	Vorbereitung Klausur			0
Workload modulbezogen				150	150
Workload Modul insgesamt					150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
LV 4
Gesamtmodul	Erfolgreiche Bearbeitung und Vorstellung von Übungsaufgaben: die Übungen können Arbeitsblätter, Programmieraufgaben und Testate umfassen. Bei der Bearbeitung der Übungsaufgaben muss eine Mindestpunktzahl erreicht werden.	mündl. Prüfung oder Klausur/Bericht
Wiederholungsprüfung

Regularien	Angebotsrhythmus	Anwesenheitspflicht	Gewicht an Modulnote in %
LV 1	Wintersemester	Nein	%
LV 2	Wintersemester	Nein	%
LV 3	Wintersemester	Nein	%
LV 4	Wintersemester	Nein	%