Zur Modulseite PDF generieren

#41242 / #1

Seit WiSe 2025/26

Deutsch, Englisch

Responsible Data Engineering Project
Verantwortungsvolles Data Engineering Projekt

9

Schelter, Sebastian

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34353500 FG Management von Data Science-Prozessen (BIFOLD)

Keine Angabe

Kontakt


Keine Angabe

Schelter, Sebastian

schelter@tu-berlin.de

Lernergebnisse

In diesem Projektkurs lernen die Studierenden, eine aktuelle Fragestellung im Responsible Data-Engineering-Bereich systematisch zu analysieren und im Team eine problemorientierte Lösung zu entwickeln und umzusetzen. Die Studierenden lernen, als Team zusammenzuarbeiten, zur Projektorganisation, Qualitätssicherung und Dokumentation beizutragen und die Qualität ihrer Lösung durch Analysen, systematische Experimente und Testfälle zu bewerten. Nach dem Kurs sind die Studierenden in der Lage, die Architektur großer Datensysteme zu verstehen und verantwortungsorientierte Probleme beim End-to-End-Design, der Implementierung, dem Testen und dem Einsatz großer datengesteuerter Systeme zu lösen. Sie werden in der Lage sein, Lösungen zu entwerfen und umzusetzen, um solche Probleme in einem kollaborativen Team besser anzugehen.

Lehrinhalte

Dieser technische Projektkurs befasst sich mit den Themen Ethik und Verantwortung in Data Science, einschließlich Rechtskonformität, Datenqualität, algorithmischer Fairness und Transparenz. Data Science verspricht, das Leben der Menschen zu verbessern, wissenschaftliche Innovationen zu beschleunigen und positive gesellschaftliche Veränderungen herbeizuführen. Doch wenn dieselbe Technologie nicht verantwortungsvoll - im Einklang mit ethischen und moralischen Normen sowie rechtlichen und politischen Erwägungen - eingesetzt wird, kann sie Schaden in beispiellosem Ausmaß anrichten. Algorithmische Einstellungspraktiken können beispielsweise stillschweigend und in großem Umfang gegen Gleichstellungsgesetze verstoßen, Unternehmen mit Klagen belasten und die Rückkopplungsschleifen verstärken, die zu einem Mangel an Diversität führen, der sowohl gesellschaftlich unerwünscht ist als auch sich negativ auf die Leistung von Organisationen auswirken kann. Bei der Entwicklung und dem Einsatz von Data-Science-Methoden und -Systemen sind wir gezwungen, über die Auswirkungen dieser Methoden auf Einzelpersonen, Bevölkerungsgruppen und die Gesellschaft insgesamt nachzudenken und die Verantwortung entlang bestehender und künftiger regulatorischer Rechtsrahmen zu operationalisieren. Dieser Projektkurs bietet den Studierenden die konkrete Arbeit an einem verantwortungsorientierten Projekt, basierend auf aktuellen Forschungsarbeiten im Bereich Responsible Data Engineering

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Responsible Data EngineeringPJWiSe/SoSeen6

Arbeitsaufwand und Leistungspunkte

Responsible Data Engineering (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Dokumentation, Präsentation1.040.0h40.0h
Implementierung, Tests, Experimente1.0130.0h130.0h
Vorbereitung und Designphase1.040.0h40.0h
Teilnahme an Teammeetings20.03.0h60.0h
270.0h(~9 LP)
Der Aufwand des Moduls summiert sich zu 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Angeleitete und selbstständige Projektarbeit.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Abgeschlossene Grundkurse zu angewandtem maschinellem Lernen, Datenmanagement und verteilten Systemen

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
(Lernprozessevaluation) Design und Ausführung der Experimentieranordnung20praktischca 30 Stunden
(Ergebnisprüfung) Analyse der Experimente20praktischca 30 Stunden
(Ergebnisprüfung) Zwischenpräsentation10mündlichca 5-15 Minuten
(Ergebnisprüfung) Abschlusspräsentation20mündlichca 10-25 Minuten
(Lernprozessevaluation) Prototyp mit Test Cases und Dokumentation30praktischca 60 Stunden

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt95.0pt90.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Gesamtnote gemäß § 68 (2) AllgStuPO wird nach dem Notenschlüssel 2 der Fakultät IV ermittelt.

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 24.

Anmeldeformalitäten

Details zur Registrierung werden auf der ISIS Seite bekannt gegeben.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Project specific literature will be announced in the first lecture.

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computer Engineering (M. Sc.)12WiSe 2025/26SoSe 2026
Computer Science (Informatik) (M. Sc.)14WiSe 2025/26SoSe 2026
Elektrotechnik (M. Sc.)12WiSe 2025/26SoSe 2026
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)12WiSe 2025/26SoSe 2026

Sonstiges

Keine Angabe