1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Programmierpraktikum: Quality Data Science

Zur Modulseite PDF generieren

#41138 / #1

WiSe 2023/24 - WiSe 2023/24

Deutsch, Englisch

Programmierpraktikum: Quality Data Science

6

Haufe, Stefan

Unbenotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Keine Angabe

Kontakt


MAR 4-4

Wilming, Rick

rick.wilming@tu-berlin.de

http://tu.berlin/uniml

Lernergebnisse

Kenntnisse: Die Studierenden sind mit den grundlegenden Konzepten praktischer Software-Engineering-Techniken und deren Anwendung in wissenschaftlichen Software-/Datenforschungsprojekten vertraut. Darüber hinaus kennen die Studierenden die verschiedenen Qualitätsdimensionen von Software/Maschinellen Lernsystemen und haben ein klares Verständnis für technische Mittel zur Sicherung ihrer Qualität und Reproduzierbarkeit. Fertigkeiten: Das Projekt vermittelt den Studierenden praktische Fähigkeiten zur Entwicklung und Fehlersuche in Data-Science-Anwendungen durch Analyse von Daten und Code. Sie werden wissen, wie man Papiere im Zusammenhang mit maschinellem Lernen, Datenwissenschaft, biomedizinischen und anderen Anwendungen liest und kritisch diskutiert. Darüber hinaus können die Studierenden Methoden aus wissenschaftlichen Arbeiten implementieren und grundlegende Qualitätskontrollen durchführen, um die Korrektheit der Implementierungen sicherzustellen. Insbesondere werden die Studierenden Erfahrungen mit grundlegenden Software-Engineering-Techniken wie Unit-Tests, Integrationstests und Git-Versionskontrolle sowie rudimentäre Fähigkeiten zur Entwicklung hochwertiger Softwaresysteme erwerben. Kompetenzen: Am Ende des Softwareprojekts haben die Studierenden die Fähigkeit entwickelt, Verfahren und Tests durchzuführen, um zu entscheiden, ob ihre implementierte Software wie beabsichtigt funktioniert. Die Studierenden sind in der Lage, die Literatur eines überschaubaren Fachgebiets systematisch zu strukturieren und haben Erfahrung darin, die Ergebnisse vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen. Insgesamt vermittelt das Softwareprojekt den Studierenden ein umfassendes Set an Fähigkeiten, die für die Entwicklung qualitativ hochwertiger wissenschaftlicher Software und die Untersuchung einer kleinen und überschaubaren Forschungsfrage notwendig sind.

Lehrinhalte

Die Studierenden führen ein Softwareentwicklungsprojekt durch, das ein typisches wissenschaftliches Datenwissenschaft/Softwareprojekt nachbildet. Das Projekt umfasst verschiedene Aspekte wie mathematische/algorithmische Probleme (insbesondere Data Science, maschinelles Lernen und erklärbare KI), Softwaredesign und technische Aspekte wie Datenverarbeitung, Datenanalyse, Datenbanken und Softwarearchitekturen. Je nach Gruppengröße werden wir die gewünschten Eigenschaften und das Verhalten der zu entwickelnden Software festlegen. Die Studierenden verwenden die von ihnen implementierten Methoden, um ein klar definiertes Forschungsproblem zu untersuchen. Das Projekt umfasst, ist aber nicht beschränkt auf ausgewählte Themen, die für Anwendungen in der Biomedizin relevant sind, z.B. in den Neurowissenschaften oder der Intensivmedizin.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Uncertainty in Machine Learning (UNIML)P-PRWiSe/SoSede4
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Uncertainty in Machine Learning (UNIML) (P-PR):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit5.06.0h30.0h
Project work15.06.0h90.0h
Preparation for presentations and consultations15.04.0h60.0h
180.0h(~6 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Studierenden organisieren sich selbst und teilen sich die Projektarbeit in Bezug auf die Durchführung und Präsentation ihrer Ergebnisse auf. Während des gesamten Semesters werden wir Hilfestellung leisten und wöchentliche Besprechungen abhalten, um etwaige Probleme anzusprechen und Fortschritte zu besprechen. Die Studierenden bereiten eine Einführungspräsentation zu einem bestimmten Thema vor, die auf einer Sammlung von bereitgestelltem veröffentlichtem Material basiert. Die Präsentationen werden in Form von wissenschaftlichen Diskussionen gehalten. Der selbstorganisierte Rahmen wird Diskussionen über Probleme und Fortschritte fördern. In der Abschlusspräsentation fassen die Studierenden ihre Ergebnisse und Beiträge zu ihrer Forschungsfrage zusammen.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Der erfolgreiche Abschluss eines einführenden Moduls zum Thema data science oder maschinelles Lernen wird empfohlen. Programmierkenntnisse in mindestens einer Sprache (z. B. Matlab, Python, R) sind erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Unbenotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
Projekttagebuch40schriftlich15-20 Seiten
dokumentiertes github repository30praktischprojektspezifisch
Vorführung30schriftlichprojektspezifisch

Notenschlüssel

Ab insgesamt 50 Portfoliopunkten bestanden.

Prüfungsbeschreibung (Abschluss des Moduls)

1. Die Qualität eines Projekttagebuchs (40%) 2. Die Qualität und Vollständigkeit eines dokumentierten github repositories für im Rahmen des Projekts generierten Code und Daten (30%) 3. Die Qualität einer Vorführung der fertigen Software (30%)

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 15.

Anmeldeformalitäten

Studierende können sich für den Kurs in MOSES anmelden.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Studiengänge: B.Sc. Informatik (StuPO 2015): Wahlpflichtbereich Programmierpraktikum B.Sc. Wirtschaftsinformatik (StuPO 2015 + 2021): Wahlpflichtbereich Programmierpraktikum