MLU
INF.06485.04 - Einführung in Data Science (Complete module description)
Original version English
INF.06485.04 5 CP
Module label Einführung in Data Science
Module code INF.06485.04
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. Ivo Große/PD Dr. Alexander Hinneburg
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 compulsory attendance Workload of preparation / homework etc Workload of independent learning Workload (examination and preparation) 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 Prerequisites 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 %