Modulbeschreibung
Data Lab
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Lernziele:
Leitidee: Das Modul "Data Lab" bietet Studierenden im ersten Semester eine praxisorientierte Einführung in die Welt der Datenanalyse. Ohne Vorbedingungen ermöglicht es den Teilnehmern, grundlegende Techniken und Werkzeuge zur Datenverarbeitung und -visualisierung zu erlernen und anzuwenden.
Ausbildungsziel: Ziel des Moduls ist es, den Studierenden die Fähigkeit zu vermitteln, Daten selbstständig zu analysieren und zu interpretieren. Sie sollen in der Lage sein, Datenprojekte von der Extraktion bis zur Visualisierung durchzuführen und dabei moderne Tools und Methoden einzusetzen.
Vision: Die Vision des Moduls ist es, Studierende zu befähigen, datengetriebene Entscheidungen zu treffen und innovative Lösungen für reale Probleme zu entwickeln. Durch die Anwendung von Open Data und modernen Analysetools sollen sie einen Beitrag zur digitalen Transformation leisten können.
Standort (angeboten):
Skriptablage:
Modultyp:
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während des Semesters:
Die Leistungsbewertung erfolgt durch ein individuelles Datenprojekt, das folgende Komponenten umfasst: Datenimport und -aufbereitung (20%) Explorative Datenanalyse und Visualisierung (30%) Erkennung von Mustern und Ausreißern (20%) Präsentation und Dokumentation der Ergebnisse (30%)
Bewertungsart:
Kurse in diesem Modul
Data Lab
Kürzel:
Semester:
Lernziele:
Fachkompetenzen:
- Verständnis der Grundlagen der Explorativen Datenanalyse (EDA).
- Kenntnisse im ETL-Prozess (Extract, Transform, Load) zur Datenintegration.
- Fähigkeit zur Erkennung von Ausreissern sowie zur Analyse von Trends und Saisonalitäten.
- Anwendung von Python, Jupyter, pandas und seaborn zur Datenanalyse und -visualisierung.
Methodenkompetenzen:
- Entwicklung und Durchführung eines individuellen Datenprojekts.
- Nutzung von Open Data für die Analyse und Interpretation.
- Einsatz von Data Frames und Tabellen zur strukturierten Datenverarbeitung.
Selbstkompetenzen:
- Selbstständiges Erarbeiten und Vertiefen von Fachinhalten.
- Kritische Reflexion der eigenen Arbeitsergebnisse und deren Präsentation.
Sozialkompetenzen:
- Kommunikation von Analyseergebnissen an unterschiedliche Zielgruppen.
Plan und Lerninhalt:
- EDA: Explorative Data Analysis
- ETL: Extract, Transform, Load ( = Data import process)
- Data Crunching / Big Data
- Data Visualization
- Outlier detection
- Trend and Seasonality
- Use of Open Data
- Python basiert
Unterrichtssprache:
Kursart:
Durchführung gemäss Stundenplan