Data Science - Detailansicht

Das Modul vermittelt grundlegende Methoden, Konzepte und Werkzeuge der Data Science. Im Mittelpunkt steht die strukturierte Verarbeitung, Analyse und Visualisierung von Daten mit Python und dem PyData-Ökosystem. Die erworbenen Kenntnisse werden im Rahmen einer semesterbegleitenden, eigenen Data-Science-Projektarbeit praktisch angewandt.

Die fachlichen Grundlagen werden überwiegend im Selbststudium erarbeitet und in den Präsenzveranstaltungen auf die eigene Projektarbeit übertragen. Die Veranstaltung orientiert sich dabei am Data-Science-Vorgehensmodell CRISP-DM.

Behandelt werden insbesondere:

• Einführung in Python und grundlegende Python-Datenstrukturen
• Einführung in den PyData-Stack, insbesondere NumPy, Pandas, SciPy und Matplotlib
• Datenstrukturen und geeignete Repräsentation von Daten
• grundlegende statistische Analysen und explorative Datenanalyse
• effiziente, vektorisierte Operationen und Broadcasting
• Zusammenführen und Verknüpfen von Daten aus unterschiedlichen Quellen (Merging)
• Datenbereinigung und Beurteilung der Datenqualität (Clean Data)
• Tidy Data sowie Long- und Wide-Format
• multidimensionale Datenanalyse und OLAP-Konzepte
• Gruppierung, Aggregation und Pivotisierung von Daten
• Entwicklung aussagekräftiger statischer und interaktiver Visualisierungen
• strukturierte Durchführung eines Data-Science-Projekts nach CRISP-DM
• kritische Interpretation und Kommunikation von Analyseergebnissen

Wird in der Veranstaltung ausgegeben

Absolventinnen und Absolventen sind nach Abschluss der Veranstaltung dazu in der Lage:

• grundlegende Konzepte und Vorgehensweisen der Data Science zu erläutern und den Data-Science-Prozess anhand des CRISP-DM-Vorgehensmodells zu strukturieren
• grundlegende Python-Konstrukte und Datenstrukturen zur Verarbeitung und Analyse von Daten zielgerichtet einzusetzen
• zentrale Bibliotheken des PyData-Stacks, insbesondere NumPy, Pandas, SciPy und Matplotlib, für typische Data-Science-Aufgaben einzusetzen
• Daten geeignet zu strukturieren, zu transformieren und für Analysen aufzubereiten
• vektorisierte Operationen und Broadcasting zur effizienten Verarbeitung numerischer Daten einzusetzen
• Daten aus unterschiedlichen Quellen zu verbinden und geeignete Merge- bzw. Join-Operationen auszuwählen und anzuwenden
• Datenqualität zu beurteilen, typische Datenfehler zu erkennen und geeignete Verfahren zur Datenbereinigung anzuwenden
• Daten durch Gruppierung, Aggregation und Pivotisierung mehrdimensional zu analysieren
• interaktive Visualisierungen zur Exploration und Kommunikation von Daten einzusetzen
• eine eigene Data-Science-Fragestellung systematisch zu bearbeiten und geeignete Daten dafür zu erfassen bzw. zu erzeugen
• die bei der Datenaufbereitung und Analyse getroffenen methodischen Entscheidungen zu begründen und die Aussagekraft sowie Grenzen der eigenen Ergebnisse kritisch zu reflektieren
• Analyseergebnisse verständlich und adressatengerecht zu visualisieren, zu interpretieren und zu kommunizieren
• die erlernten Methoden und Werkzeuge selbstständig auf neue, fachbezogene Datenprobleme zu übertragen

Projekt

Das in der Veranstaltung erworbene Wissen wird praktisch im Rahmen einer semesterbegleitenden, eigenständig durchgeführten Data-Science-Projektarbeit angewandt. Die Projektarbeit umfasst mehrere aufeinander aufbauende Meilensteine von der Formulierung der Fragestellung und Erhebung bzw. Erzeugung eigener Daten über die Datenaufbereitung und Analyse bis zur Visualisierung und Interpretation der Ergebnisse.