2x 2SWS Vorlesung und 2SWS Übung.
Studiengänge: M-BM-Alg

Termin 14-tägig nach Vereinbarung.
Weitere Infos unter rtg-pi3/qualification

In den letzten Jahren schreitet die Digitalisierung in allen Lebensbereichen immer weiter voran. Innovative Technologien werden etabliert, neue Möglichkeiten eröffnen sich und gleichzeitig fallen immense Datenmengen an. Der digitale Wandel findet nicht nur in allen Fachdisziplinen der Wissenschaft, sondern auch in der Wirtschaft statt. Dabei hat sich das interdisziplinäre Wissenschaftsfeld Data Science entwickelt. Unter Anwendungen von verifizierten Methoden und Algorithmen werden Datensätze, ob strukturiert, komplex oder riesig groß zweckorientiert analysiert. Gängige Schlagwörter sind hierbei Data Mining, Machine Learning, Deep Learning und Artificial Intelligence. Data Science wird häufig als Schlüsseldisziplin angesehen, da sie zur Erkenntnisgewinnung in allen Fachrichtungen Anwendung findet. An Datenanalysemethoden und Softwaretools besteht demnach fächerübergreifend großes Interesse. Voraussetzung für Data Science sind Daten, die langfristig zugänglich sowie nutzbar sind. Zudem müssen die erzielten Analyseergebnisse reproduzierbar sein, was eine detaillierte Dokumentation der Daten selber und aller Vorgänge vorsieht. Dies erfordert ein gut durchdachtes Forschungsdatenmanagement gemäß den sogenannten „FAIR-Principles“ (Findable, Accessible, Interoperable und Reusable; Wilkinson et al., 2016). Hierbei gilt es neben intelligenten technischen Lösungen, besonders bei personenbezogenen Daten juristische und ethische Aspekte zu beachten, die in der wissenschaftlichen Gemeinschaft zurzeit stark diskutiert werden.

Laut der Gesellschaft für Informatik wird Data Science von folgenden übergeordneten Kompetenzfeldern begleitet: (1) Mathematik, (2) Informatik, (3) Kryptographie und Sicherheit, (4) Datenethik und Data Privacy, (5) Data Governance (Datenmanagement), (6) Datenintegration, (7) Datenvisualisierung, (8) Data Mining, (9) Maschinelles Lernen, (10) Business Intelligence, (11) Domänenspezifische Anwendungen und Kommunikation mit Fachexperten, (12) Implementierung von Data Science in der Organisation (Gesellschaft für Informatik e.V., 2019).

Ziel des Seminars ist es, einen interdisziplinären Überblick über aktuelle Themen aus diesen Kompetenzfeldern zu vermitteln. Dabei werden wenig technische und methodische Fähigkeiten vermittelt, sondern vielmehr die wesentlichen Anwendungsfelder und grundlegenden Ideen möglichst interdisziplinär erarbeitet. Dies geschieht nach einer generellen Einführung in Form von ausgearbeiteten Vorträgen und anschließenden Diskussionsrunden, zu denen wir Fachexperten und Expertinnen einladen werden. Des Weiteren werden basierend auf den Vorträgen Factsheets zu den einzelnen Themen ausgearbeitet, die bei späterer Anwendung der Inhalte behilflich sein sollen.

Gesellschaft für Informatik e.V. (2019): Arbeitspapier: Data Science: Lern- und Ausbildungsinhalte, https://gi.de/fileadmin/GI/Allgemein/PDF/GI_Arbeitspapier_Data-Science_2019-12_01.pdf. (Abgerufen am: 03.02.2020)

Wilkinson M et al. (2016) The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018. doi: 10.1038/sdata.2016.18

http://www.math.uni-bremen.de/~pigeot/pigeot_l.html

In den letzten Jahren schreitet die Digitalisierung in allen Lebensbereichen immer weiter voran. Innovative Technologien werden etabliert, neue Möglichkeiten eröffnen sich und gleichzeitig fallen immense Datenmengen an. Der digitale Wandel findet nicht nur in allen Fachdisziplinen der Wissenschaft, sondern auch in der Wirtschaft statt. Dabei hat sich das interdisziplinäre Wissenschaftsfeld Data Science entwickelt. Unter Anwendungen von verifizierten Methoden und Algorithmen werden Datensätze, ob strukturiert, komplex oder riesig groß zweckorientiert analysiert. Gängige Schlagwörter sind hierbei Data Mining, Machine Learning, Deep Learning und Artificial Intelligence. Data Science wird häufig als Schlüsseldisziplin angesehen, da sie zur Erkenntnisgewinnung in allen Fachrichtungen Anwendung findet. An Datenanalysemethoden und Softwaretools besteht demnach fächerübergreifend großes Interesse. Voraussetzung für Data Science sind Daten, die langfristig zugänglich sowie nutzbar sind. Zudem müssen die erzielten Analyseergebnisse reproduzierbar sein, was eine detaillierte Dokumentation der Daten selber und aller Vorgänge vorsieht. Dies erfordert ein gut durchdachtes Forschungsdatenmanagement gemäß den sogenannten „FAIR-Principles“ (Findable, Accessible, Interoperable und Reusable; Wilkinson et al., 2016). Hierbei gilt es neben intelligenten technischen Lösungen, besonders bei personenbezogenen Daten juristische und ethische Aspekte zu beachten, die in der wissenschaftlichen Gemeinschaft zurzeit stark diskutiert werden.

Laut der Gesellschaft für Informatik wird Data Science von folgenden übergeordneten Kompetenzfeldern begleitet: (1) Mathematik, (2) Informatik, (3) Kryptographie und Sicherheit, (4) Datenethik und Data Privacy, (5) Data Governance (Datenmanagement), (6) Datenintegration, (7) Datenvisualisierung, (8) Data Mining, (9) Maschinelles Lernen, (10) Business Intelligence, (11) Domänenspezifische Anwendungen und Kommunikation mit Fachexperten, (12) Implementierung von Data Science in der Organisation (Gesellschaft für Informatik e.V., 2019).

Ziel des Seminars ist es, einen interdisziplinären Überblick über aktuelle Themen aus diesen Kompetenzfeldern zu vermitteln. Dabei werden wenig technische und methodische Fähigkeiten vermittelt, sondern vielmehr die wesentlichen Anwendungsfelder und grundlegenden Ideen möglichst interdisziplinär erarbeitet. Dies geschieht nach einer generellen Einführung in Form von ausgearbeiteten Vorträgen und anschließenden Diskussionsrunden, zu denen wir Fachexperten und Expertinnen einladen werden. Des Weiteren werden basierend auf den Vorträgen Factsheets zu den einzelnen Themen ausgearbeitet, die bei späterer Anwendung der Inhalte behilflich sein sollen.

Gesellschaft für Informatik e.V. (2019): Arbeitspapier: Data Science: Lern- und Ausbildungsinhalte, https://gi.de/fileadmin/GI/Allgemein/PDF/GI_Arbeitspapier_Data-Science_2019-12_01.pdf. (Abgerufen am: 03.02.2020)

Wilkinson M et al. (2016) The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018. doi: 10.1038/sdata.2016.18

http://www.math.uni-bremen.de/~pigeot/pigeot_l.html