Die Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Verwaltung des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Mathematik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Universität Bremen
Zeige Wirtschaftsinformatik-Format Pdf_icon Informatik-Format Pdf_icon Digitale Medien-Format Pdf_icon Systems Engineering-Format Pdf_icon

Informatik-Ansicht

Data Science


Data Science
Modulnummer
BE-802.98a
Bachelor
Pflicht/Wahl
Wahl Basis Ergänzung
Sonderfall
Zugeordnet zu Masterprofil
Sicherheit und Qualität
KI, Kognition, Robotik
Digitale Medien und Interaktion
Modulbereich : Angewandte Informatik
Modulteilbereich : 802 Informationstechnikmanagement
Anzahl der SWS
V UE K S Prak. Proj.
2 2 0 0 0 0 4
Kreditpunkte : 6 Turnus

i.d.R. jährlich

Formale Voraussetzungen : -
Inhaltliche Voraussetzungen : Grundlegende Programmierkenntnisse
Vorgesehenes Semester : ab 4. Semester
Sprache : Englisch
Ziele :

During this course, you will work in small groups on independent projects. Each group will have to

  • formulate a research question

  • pick and potentially collect a dataset

  • pick a suitable operationalisation and method

  • find and justify the best machine learning model

  • describe your approach and findings in a report

Inhalte :

From medical decision support systems to automatic language translation, from sorting and prioritizing news on social networks to autonomous cars: Machine learning is woven into the fabric of daily life. Applying machine learning, data science aims to extract knowledge or insights from data.

The class will provide an introduction to data science and applied machine learning. For this, the programming language Python will be used (and taught). You will learn about the difference between supervised and unsupervised machine learning, and three machine learning tasks:

  1. classification (e.g. k-NN, Decision Trees, Support Vector Machines)
  2. regression (Linear Regression, Logistic Regression)
  3. clustering (k-means, dimensionality reduction with PCA and t-SNE)

We will explore natural language processing for text mining and computer vision. Evaluation, as an integral part of data science, will be taught as well as data processing and data mining. To communicate our findings, we will also look at different visualization techniques.

Unterlagen (Skripte, Literatur, Programme usw.) :
  • Doing Data Science, Cathy O’Neil & Rachel Schutt

  • Introduction to Machine Learning with Python, Andreas C. Müller & Sarah Guido

  • Building Machine Learning Systems with Python, Luis Pedro Coelho & Willi Richert

Form der Prüfung : i.d.R. Übungsaufgaben und Fachgespräch
Arbeitsaufwand
Präsenz 56
Übungsbetrieb/Prüfungsvorbereitung 124
Summe 180 h
Lehrende: H. Heuer Verantwortlich Prof. Dr. A. Breiter
Zurück

Zeige Wirtschaftsinformatik-Format Pdf_icon Informatik-Format Pdf_icon Digitale Medien-Format Pdf_icon Systems Engineering-Format Pdf_icon