MLU
INF.08096.01 - eHumanities Data Science II (Complete module description)
Original version English
INF.08096.01 5 CP
Module label eHumanities Data Science II
Module code INF.08096.01
Semester of first implementation
Faculty/Institute Institut für Informatik
Module used in courses of study / semesters
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Basismodule der Vertiefungsrichtung `eHumanities`
  • International Area Studies - Global Change Geography (MA120 LP) (Master) > Geographie/Erdkunde IntArStudGlobChaGeoMA120, Version of accreditation valid from SS 2021 > Informatics
Responsible person for this module
Further responsible persons
Jun.-Prof. Dr. Hubert Mara
Prerequisites
Grundkenntnisse in der deskriptiven und induktiven Statistik, Python- oder/ und R-Kenntnisse
Skills to be acquired in this module
Studierende werden in diesem Modul Kenntnisse in der uni- und multivariaten Statistik erhalten. Die Studierenden verstehen die diesen Techniken zugrundeliegenden theoretischen Konzepte, sind in der Lage diese unter zu Hilfenahme von Python- und R-Bibliotheken anzuwenden. Sie sollen den professionellen Umgang mit Daten aus verschiedenen Fachbereichen erlernen. Ein Fokus liegt dabei auf der eigenständigen Auswertung dieser Daten und der Erstellung von Fragestellungen.
Module contents
  • 1. Fallbeispiele aus der digitalen Archäologie und anderen Bereichen der eHumanities
  • 2. Multivariate Verteilungen
  • 3. Darstellung Multivariater Verteilungen
  • 4. Multivariate Regression und Multiple Discriminant Analyses
  • 5. Redundanzanalyse
  • 6. Clusteranalysen
  • 7. Hauptkomponentenanalyse
  • 8. MANOVA
  • 9. Bayessche Statistik
Forms of instruction Lecture (2 SWS)
Course
Exercises (2 SWS)
Course
Languages of instruction German, English
Duration (semesters) 1 Semester Semester
Module frequency jedes Sommersemester
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 Course Selbststudium zur Vorlesung 0
Course 3 Exercises Übung 2 0
Course 4 Course Bearbeiten der Übungsaufgaben 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
Erfolgreiches Lösen von Übungsaufgaben d.h. Erreichen von mind. 50% der Punkte für die Aufgaben, Erfolgreiche Vorstellung der Lösungen der Aufgaben in den Übungen, aktive Teilnahme
mündl. Prüfung oder Klausur oder Hausarbeit (20-30 Seiten)
Exam repetition information
Prerequisites and conditions Prerequisites Frequency Compulsory attendance Share on module grade in percent
Course 1 Summer semester No %
Course 2 Summer semester No %
Course 3 Summer semester No %
Course 4 Summer semester No %