Data Science & Intelligent Analytics* BB
Apply Icon
Jetzt
Bewerben

Algorithmik & Statistik für Data Science 1

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

Masterstudium

Lernergebnisse der Lehrveranstaltung/des Moduls

Die AbsolventInnen kennen die Funktionsweise grundlegender Algorithmen für Data Science und verstehen die statistische Konzepte und Arbeitsweisen hinter diesen Algorithmen. Darüber hinaus sind sie in der Lage, für gegebene Problemstellungen geeignete Algorithmen zu selektieren und deren Abläufe zu verstehen. Zusätzlich dazu kennen sie die von den Algorithmen benötigten Datenstrukturen, Laufzeitspezifika und Komplexitätsklassen.

Voraussetzungen laut Lehrplan

Keine Voraussetzungen

Lehrinhalte

Den Studierenden lernen grundlegende Algorithmen und die zugrundeliegenden statistischen Verfahren kennen.

Es sollen folgende Gruppen von Algorithmen besprochen werden:
- Statistische Maßzahlen (Punkt- und Intervallschätzer)
- Statistische Testverfahren
- Gruppierungsalgorithmen
- Entscheidungsbäume
- Random Forests
- Regressionsalgorithmen
- Naive Bayes
- Assoziative Algorithmen
- Induktive Logische Programmierung
- Algorithmen zur Dimensionsreduktion (z.B. PCA)

Aus den jeweiligen Gruppen werden einzelne Algorithmen präsentiert bzw. in Gruppenarbeiten von den Studierenden erarbeitet.

empfohlene Fachliteratur

- Akerkar, R.; Sajja, P.S. (2016) Intelligent Techniques for Data Science. 1. Auflage, Springer, Berlin (ISBN: 978-3-319-29205-2).
- Bramer, M. (2017) Principles of Data Mining: undergraduate topics in computer science. 2. Auflage, Springer, London (ISBN: 978-4471-4884-5).
- Caffo, B. (2016) Statistical inference for data science. 1. Auflage, Leanpub, Victoria.
- Mahmood, Z. (2016) Data Science and Big Data Computing: Frameworks and Methodologies. 1. Auflage, Springer, Berlin (ISBN: 978-3319318592).
- Steele, B.; Chandler, J.; Reddy, S. (2016) Algorithms for Data Science. 1. Auflage, Springer, Berlin (ISBN: 978-3319457956).
- Witten, I.; Frank, E.; Hall, M.; Pal, C. (2016) Data Mining: Practical Machine Learning Tools and Techniques. 4. Auflage, Morgan Kaufmann, Burlington (ISBN: 978-0128042915).

Bewertungsmethoden und -kriterien

Abschlussklausur

Unterrichtssprache

Deutsch

Anzahl der zugewiesenen ECTS-Credits

3

geplante Lehr- und Lernmethoden

Vortrag mit Diskussion
Interaktiver Workshop

Semester/Trimester, in dem die Lehrveranstaltung/das Modul angeboten wird

1

Semester-Wochen-Stunden (SWS)

2

Name des/der Vortragenden

N.A.

Studienjahr

1

empfohlene optionale Programmeinheiten

N.A.

Kennzahl der Lehrveranstaltungen/des Moduls

THAL.1

Art der Lehrveranstaltung/des Moduls

ILV

Art der Lehrveranstaltung

Präsenzveranstaltung

Praktikum/Praktika

N.A.