Details zu dem von Ihnen ausgewählten Semesterangebot (Lehrveranstaltungs- bzw. Prüfungsangebot):
| Lehrveranstaltung: | Data Science Foundations |
| (in English) | Data Science Foundations |
| Semester: | SS 2022: Lehrveranstaltung und Prüfung |
| Sprache: | Englisch |
| : | Vertiefung der Informatik (IV) - Pflicht (im Studiengang) - |
| : | Fachmodul Data Science Foundations |
| weitere Einordnungen: | GI -- Fachmodul Data Science Foundations , GTI -- Fachmodul Data Science Foundations , SK -- Studium Generale ENBSc [PO 2017 und PO 2020] , ZSK -- Studium Generale ETMSc , ZSK -- Studium Generale MT und ET BSc , ZSK-E -- Studium Generale ENBSc [PO 2017 und PO 2020] |
| Frequenz: | jährlich im SS |
| SWS / LP: | 2 V + 2 Ü / 5 LP |
| Prüfung: | Prüfungsleistung [Nr. ?] = Klausur (90min), benotet - Wahl-Pflicht (in ) - |
| Lernziele: | In the Era of Big Data, one of the emerging requirements for any scientist is the ability to effectively and critically work with data, i.e., collect and extract data, create surveys, transform the data, apply mathematical models on the data, and visualize the important aspects. In fact, the Society of Computer Science (Gesellschaft der Informatik) has coined the term “data literacy” to describe various competencies in this regard. In the same spirit, the goal of this course is to teach non-computer scientists the foundational concepts of data science. Students will learn to analyze data for the purpose of understanding and describing real-world phenomena. The students will obtain skills in data-centric programming and statistical inference. Furthermore, the students will gain hands-on experience on daily challenges of a data scientist with best-practice approaches for data collection and preparation. Finally, we will discuss ethical and social aspects of data science. The course consists of a standard lecture and lab work. During the lecture the important concepts are introduced. In the lab sessions, students will be guided in practical programming exercises. In addition, the students receive bi-weekly assignments that follow-up on the lab exercises. The successful participation in the assignments is a pre-requisite to take part in the final written exam. |
| Stoffplan: | - Data Sampling and Probability - Data Preparation - Visualizations - Intro to Modeling - Simple Linear Regression + OLS - Feature Engineering - Bias and Variance - Cross-Validation, Regularization and AutoML - Classification - Inference for Modelling - Conclusion and Ethics |
| Vorkenntnisse: | Notwendig: Grundlagen der Wahrscheinlichkeitsrechnung; Vorlesung Datenstrukturen und Algorithmen. Empfohlen: Vorlesung zu Grundlagen der Datenbanksysteme. |
| Literatur- empfehlungen |
- https://www.inferentialthinking.com/chapters/01/1/intro.html - https://www.textbook.ds100.org/intro.html |
| Besonderheiten: | Teilnahmebeschränkung: 100 Studierende. Bitte informieren Sie sich vor Beginn des Semesters im FG DBS oder FG TNT über das Anmeldeverfahren. |
| WWW: | https://www.pi.uni-hannover.de/de/dbs/ https://www.tnt.uni-hannover.de/en/edu/ |
| Lehrperson | WWW | Institut | |
|---|---|---|---|
| Prüfer/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen | |
| Prüfer/in: Prof. Dr. Ziawasch Abedjan |
https://www.pi.uni-hannover.de/de/dbs/ | Fachgebiet Datenbanken und Informationssysteme | |
| Dozent/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen | |
| Dozent/in: Prof. Dr. Ziawasch Abedjan |
https://www.pi.uni-hannover.de/de/dbs/ | Fachgebiet Datenbanken und Informationssysteme | |
| Betreuer/in: Prof. Dr. Ziawasch Abedjan |
https://www.pi.uni-hannover.de/de/dbs/ | Fachgebiet Datenbanken und Informationssysteme | |
| Betreuer/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen |
| Probleme? mailto:lvk |