Data Science für alle: Grundlagen der Datenprogrammierung
| dc.contributor.author | Abedjan, Ziawasch | |
| dc.contributor.author | Anuth, Hagen | |
| dc.contributor.author | Esmailoghli, Mahdi | |
| dc.contributor.author | Mahdavi, Mohammad | |
| dc.contributor.author | Neutatz, Felix | |
| dc.contributor.author | Chen, Binger | |
| dc.date.accessioned | 2020-05-28T09:13:41Z | |
| dc.date.available | 2020-05-28T09:13:41Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | Die Nachfrage nach Data Scientists in den verschiedensten Bereichen der Industrie, Gesellschaft und Forschung stellt Universitäten vor die Frage, in welcher Form eine Data-Science-Ausbildung ermöglicht werden soll. Neben dem traditionellen Ansatz, Data Science als Studienfach anzubieten, gibt es auch Forderungen nach Einbettung von Data-Science-Veranstaltungen in informatik- und mathematikfremden Fächern, um die gesteigerte Nachfrage nach Datenkompetenzen in diesen Bereichen abzudecken. Dies wird auch durch die erst kürzlich von der GI geförderten Initiative für „Data Literacy“ unterstützt. Vor diesem Hintergrund haben wir an der TU Berlin einen Data-Science-Kurs auf Bachelorniveau nach dem Vorbild des Data8-Kurses an der Berkeley-Universität in Kalifornien konzipiert und erfolgreich durchgeführt. In dem Kurs „Data Science 1: Essentials of Data Programming“ werden Grundlagen der Programmierung, statistische Datenanalyse, maschinelles Lernen und ethische Fragen bei der Anwendung dieser Methoden vermittelt. Das Angebot stieß auf ein sehr starkes Interesse seitens der Studierenden verschiedenster Studiengänge der TU Berlin einschließlich Kunstgeschichte und Philosophie. Zur erfolgreichen Durchführung des Kurses gehörte nicht nur die entsprechend entworfene integrierte Synopsis, die orientiert an Fallbeispielen mathematische Konzepte und Programmiertechniken vermittelt, sondern auch regelmäßige Übungsstunden und Hausaufgaben sowie eine zentralverwaltete JupyterHub-Infrastruktur, die sowohl die Nicht-Informatikstudierenden vor jeglicher Installation von unbekannter Software behütete als auch die Automatisierung der Korrektur der Programmierhausaufgaben ermöglichte. In diesem Beitrag möchten wir über unsere Erkenntnisse berichten, wie es uns gelungen ist, Studierende mit sehr unterschiedlichen Informatikkenntnissen für Data Science zu begeistern. Dabei gehen wir auf die praktische Durchführung des Kurses und der abschließenden Leistungsüberprüfung ein. Zuletzt zeigen wir die Vorteile eines solchen Kurses auf. Dazu zählt die skalierbare Möglichkeit, weiten Teilen der Studierenden Datenkompetenzen zu vermitteln und den Quereinstieg in die Informatik zu verschaffen. | de |
| dc.identifier.doi | 10.1007/s00287-020-01253-8 | |
| dc.identifier.pissn | 1432-122X | |
| dc.identifier.uri | http://dx.doi.org/10.1007/s00287-020-01253-8 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/33205 | |
| dc.publisher | Springer | |
| dc.relation.ispartof | Informatik Spektrum: Vol. 43, No. 2 | |
| dc.relation.ispartofseries | Informatik Spektrum | |
| dc.title | Data Science für alle: Grundlagen der Datenprogrammierung | de |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 136 | |
| gi.citation.startPage | 129 |