Mathematik der Data Science - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Mathematik der Data Science im Studiengang Bachelor Informatik 2013
Modulnummer	200475
Prüfungsnummer	2400827
Fakultät	Fakultät für Mathematik und Naturwissenschaften
Fachgebietsnummer	2414 (Mathematics of Data Science)
Modulverantwortliche(r)	Prof. Dr. Jana de Wiljes
Turnus	Sommersemester
Sprache	Deutsch
Leistungspunkte	5
Präsenzstudium (h)	34
Selbststudium (h)	116
Verpflichtung	Wahlmodul
Abschluss	schriftliche Prüfungsleistung, 120 Minuten
Details zum Abschluss
Link zum Moodle-Kurs
Lehrende	Prof. Dr. Jana de Wiljes
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse	Grundlagen der Analysis, Lineare Algebra, Programmierung
Lernergebnisse und erworbene Kompetenzen	Die Studierenden verstehen die grundlegenden mathematischen Methoden, auf denen Data Science basiert. Sie erklären und wenden Konzepte der Linearen Algebra und Analysis (Differenzial- und Integralrechnung) im Data-Science-Kontext an. Sie beherrschen die Prinzipien der multivariaten Analyse; unter Anderem verstehen sie die Theorie hinter Kovarianz- und Korrelationsmatrizen und wenden Verfahren zur Dimensionsreduktion sicher an. Außerdem können sie die Vor- und Nachteile unterschiedlicher mathematischer Verfahren kritisch beurteilen, das heißt sie vergleichen Algorithmen hinsichtlich ihrer Eignung für verschiedene Datenanalyse-Fragestellungen. Sie können geeignete Datenmodelle für spezifische Anwendungen auswählen, im Speziellen haben sie ein Gespür dafür, welches Modell in welchem Kontext am sinnvollsten ist. Sie sind in der Lage Algorithmen zu entwickeln, zu implementieren und auf reale Datensätze anzuwenden: Sie besitzen praktische Erfahrung in der systematischen Untersuchung ausgewählter Modelle. Sie können die Relevanz mathematischer Techniken für angrenzende Disziplinen erkennen und stellen beispielsweise Verbindungen zur theoretischen Informatik her. Des Weiteren können sie aktuelle Forschungspapiere im Bereich Data Science lesen, präsentieren und kritisch diskutieren.
Inhalt	Behandelte Themen: • Mathematische Grundlagen (Lineare Algebra, Analysis) • Multivariate Analyse (Kovarianz, Korrelationsanalyse, Differentiationstechniken in höheren Dimensionen) • Verfahren zur Dimensionsreduktion (PCA, SVD) • K-Means-Clustering • Spektrales Clustering
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form	Beamer, Aufgaben, Slides, jupyter notebooks, persönlicher Rechner mit Python oder Matlab um Programmierteil der Übungsaufgaben zu bearbeiten
Literatur	"Introduction to Multivariate Statistical Analysis" by T.W. Anderson "Elements of Statistical Learning" by Trevor Hastie, Robert Tibshirani, and Jerome Friedman "Mathematical Statistics: Basic Ideas and Selected Topics" by Peter J. Bickel and Kjell A. Doksum "Spectral Methods for Data Science: Theory and Algorithms" by T. Tony Cai, Xiaodong Li, and Harrison H. Zhou "Pattern Recognition and Machine Learning" by Christopher M. Bishop
Lehrevaluation