Modulcode:	infGMaDa-01a
Englische Bezeichnung:	Foundations of machine data analysis
Modulverantwortliche(r):	Prof. Dr. Andreas Mühling
Turnus:	unregelmäßig (WS22/23)
Präsenzzeiten:	1V 1Ü 2S
ECTS:	5
Workload:	15 Std. Vorlesung, 15 Std. Präsenzübung, 30 Std. Seminar, 90 Std. Selbststudium
Dauer:	ein Semester
Modulkategorien:	NF (Inf. als NF)
Lehrsprache:	Deutsch
Voraussetzungen:

Kurzfassung:

Die Studierenden erhalten Einblicke in grundlegende Techniken zur maschinellen Auswertung von Daten, die sich im wirtschaftlichen wie akademischen Kontext anwenden lassen. Die Vermittlung zentraler Grundbegriffe und -konzepte der Informatik erfolgt dabei durch die Arbeit mit einer Tabellenkalkulation (z. B. Excel, LibreOffice Calc), der darauf aufbauenden Vermittlung grundsätzlicher Programmierkenntnisse (z. B. Python, JavaScript), sowie einfacher Methoden des maschinellen Lernens mit einer visuellen Programmierumgebung (z. B. OrangeML, Weka). Daneben bildet die Erstellung von aussagekräftigen, programmatischen Datenvisualisierungen (bspw. mit Vega) einen weiteren inhaltlichen Schwerpunkt. Diese Kenntnisse sollen im Kontext aktueller, gesellschaftlicher Debatten beleuchtet und hinterfragt werden. Dazu wird im Seminarteil der Veranstaltung aktuelle Literatur zur Kontextualisierung herangezogen, die u. a. dazu dient die Verwendung von Daten im wissenschaftlichen (und wirtschaftlichen) Kontext kritisch zu hinterfragen. Neben "best practices" aus dem Forschungsdatenmanagment wird auch auf Leitlinien zu Sicherung guter wissenschaftlicher Praxis eingegangen.

Lernziele:

Die Studierenden -kennen Methoden zur Analyse von Daten und wenden dieseauf Datensätze an.formulieren einfache Algorithmen in einer Programmiersprache.verwendeneine visuelle Programmierumgebung zum maschinellen Lernen.

• erstellen aussagekräftige Datenvisualisierungen.
• haben ein grundlegendes Verständnis informatischer Grundbegriffe und -konzepte, speziell im Hinblick auf aktuelle gesellschaftliche Debatten (z.B. KI).
• kennen Probleme bei der unsachgemäßen Verwendung von Daten im wissenschaftlichen Kontext.
• kennen Wege (Verfahren, Modelle?) um Projekte mit Daten verantwortungsvoll organisieren zu können.

Lehrinhalte:

Die Studierenden lernen grundsätzlich Techniken und Begriffe zur Organisation und (programmatischen) Verarbeitung von Daten, sowie deren Kontextualisierung in gesellschaftlichen Zusammenhängen. Im Einzelnen werden die folgenden Inhalte adressiert:

• FAIR-Prinzipien
• Datenkuration und Datennachnutzung
• Grundlegende Programmierkonzepte
• Ausdrücke, Anweisungen, einfache Datentypen, Kontrollstrukturen
• Algorithmenbegriff
• Datenvisualisierung
• Einfache Methoden maschinellen Lernens
• Informatik im gesellschaftlichen Kontext

Weitere Voraussetzungen:

Das Angebot richtet sich an Studierende der Geisteswissenschaften ohne Vorkenntnisse in der (akad.) Mathematik, Statistik oder Informatik.

Prüfungsleistung:

Abschlussprojekt

Lehr- und Lernmethoden:

Verwendbarkeit:

Als Angebot im Zentrum für Schlüsselqualifikationen für Studiengänge der Geisteswissenschaften.

Literatur:

Wird in der Veranstaltung bekannt gegeben, Beispiele sind:

Carl T. Bergstrom & Jevin D. West: Calling Bullshit. The Art of Skepticism in a Data-Driven World

Kate Crawford: Atlas of AI

Catherine D'Ignazio & Lauren F. Klein: Data Feminism

Verweise:

Kommentar: