Beschreibung der Lehr- und Lernformen
Das Modul besteht aus einer wöchentlichen Vorlesung und interaktiven E-Learning Tutorien, in denen die Modulinhalte vertieft werden.
Die Themen behandeln alle wichtigen Gebiete der Datenanalyse. Der dem Modul zugrunde gelegte Datenanalyseprozess lässt sich wie folgt aufgliedern:
Beschreibung der Kursinhalte im Wintersemester:
1. VL: Einführung in Data Science, R, RStudio und RMarkdown
2. VL: Aufbau des Datenanalyseprozesses und Datenimport
3. VL: Datenimport aus Datenbanken und dem Web
4. VL: Datenaufbereitung mit tidyr
5. VL: Datentransformation mit dplyr
6. VL: Datenzusammenführung mit dplyr
7. VL: Programmieren in R
8. VL: Datenvisualisierung mit ggplot2
9. VL: Datenvisualisierung mit Plotly
10. VL: Einführung in Shiny
11. VL: Shiny Webapplikationen mit HTML, CSS, und Java Script
12. VL: Modellierung von Daten - Lineare Regression
13. VL: Modellierung von Daten - Einführung Machine Learning
14. VL: Vorbereitung und Ausgabe der Case Study
Beschreibung der Kursinhalte im Sommersemester:
1. VL: Introduction to Quality Data & Engineering in Python
2. VL: Dealing Data with Pandas & NumPy
3. VL: Import from Databases
4. VL: Data Manipulation with Pandas
5. VL: Data Cleaning and Preparation
6. VL: Data Aggregation and GroupBy
7. VL: Visual Data Analysis
8. VL: Interactive Visualizations - Plotly
9. VL: Python for Data Analytics (OOP)
10. VL: Statistical Foundations for Analytics
11. VL: Classification and Clustering
12. VL: Web Applications - Dash
13. VL: Web Applications - Streamlit
14. VL: Preparation and Information about the case studies
