INF.06485.05 - Einführung in Data Science (Complete module description)

INF.06485.05	5 CP
Module label	Einführung in Data Science
Module code	INF.06485.05
Semester of first implementation
Faculty/Institute	Institut für Informatik
Module used in courses of study / semesters	Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Version of accreditation valid from SS 2021 > Pflichtmodule Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Pflichtmodule Informatik (180 LP) (Bachelor) > Informatik Informatik180, Version of accreditation valid from SS 2021 > Pflichtmodule Informatik (180 LP) (Bachelor) > Informatik Informatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Pflichtmodule Nutzpflanzenwissenschaften (MA120 LP) (Master) > Agrarwissenschaft/Landwirtschaft Nutzpflanzenwiss.MA120, Version of accreditation valid from WS 2018/19 > Wahlpflichtmodule Physik und Digitale Technologien (180 LP) (Bachelor) > Physik Physik u. Dig. Tech. 180, Version of accreditation valid from WS 2019/20 > Wahlobligatorische Ergänzungsfächer
Responsible person for this module
Further responsible persons	Prof. Dr. Andreas Dräger
Prerequisites
Skills to be acquired in this module	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.
Module contents	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
Forms of instruction	Lecture (2 SWS) Exercises (2 SWS) Course Course
Languages of instruction	German, English
Duration (semesters)	1 Semester Semester
Module frequency	jedes Wintersemester
Module capacity	unlimited
Time of examination
Credit points	5 CP
Share on module final degree	Course 1: %; Course 2: %; Course 3: %; Course 4: %.
Share of module grade on the course of study's final grade	1

Module course label	Course type	Course title	SWS	Workload of independent learning	Sum workload
Course 1	Lecture	Vorlesung	2		0
Course 2	Exercises	Übung	2		0
Course 3	Course	Bearbeitung der Arbeitsblätter und Übungsaufgaben			0
Course 4	Course	Vorbereitung Klausur			0
Workload by module				150	150
Total module workload					150

Examination	Exam prerequisites	Type of examination
Course 1
Course 2
Course 3
Course 4
Final exam of module	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
Exam repetition information

Prerequisites and conditions	Frequency	Compulsory attendance	Share on module grade in percent
Course 1	Winter semester	No	%
Course 2	Winter semester	No	%
Course 3	Winter semester	No	%
Course 4	Winter semester	No	%