EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
Menu Home User Menu
Nicht angemeldet Anmelden
[ Deutsch (Schweiz) ]   [ Englisch Englisch ]
[ de ]   [ en en ]
Nicht angemeldet Anmelden
n.BA.AD.NGDS.22HS (Numerische Grundlagen der Data Science) 
Modul: Numerische Grundlagen der Data Science
Diese Information wurde generiert am: 23.11.2024
Nr.
n.BA.AD.NGDS.22HS
Bezeichnung
Numerische Grundlagen der Data Science
Credits
4

Beschreibung

Version: 2.0 gültig ab 01.08.2024

 

Studiengang  Applied Digital Life Sciences
Geltende Rechtsordnung  RPO vom 29. Januar 2008, Studienordnung des Dept. N vom 15. Dez. 2009, Anhang für den Bachelorstudiengang Applied Digital Life Sciences
Modultyp   
X Pflichtmodul   Wahlpflichtmodul   Wahlmodul
Plansemester  2. Semester
Modulverantwortliche/r  Lukas Hollenstein
Telefon / E-Mail  +41 (0)58 934 54 02 / lukas.hollenstein@zhaw.ch
Beteiligte Mitarbeitende und Lehrbeauftragte  Lukas Hollenstein
Vorausgesetzte Module  Analysis und Algebra, Programmieren, Daten und Informationen
Zu erreichende Kompetenzen  Fachliche Kompetenzen:
Die Studierenden
  • können die Grundbegriffe und -konzepte der numerischen Mathematik erklären und verwenden.
  • kennen das systematische Vorgehen für iterative, numerische Algorithmen.
  • können grundlegende Methoden und Algorithmen der numerischen Analysis und linearen Algebra und der Simulation von Zufallsvariablen nennen, erklären und rudimentär implementieren.
  • kennen Open-Source Programmbibliotheken, welche die kennengelernten Methoden professionell implementieren, und können damit arbeiten.
Überfachliche Kompetenzen:
Die Studierenden
  • können zielorientiert und systematisch vorgehen, um ein abstraktes Konzept in Programmcode zu übersetzen.
Inhalt des Moduls
  • Grundlagen der numerischen Mathematik: Iterative Verfahren, Fehler, Konvergenz, etc.
  • Arbeiten mit mehrdimensionalen Arrays und Grundlagen der numerischen linearen Algebra mithilfe einer Open-Source Programmierumgebung
  • Darstellen von Funktionen und Daten mithilfe einer Open-Source Programmierumgebung
  • Grundlegende numerische Verfahren:
    • Interpolation
    • Nullstellen
    • Ableitung & Gradient
    • Optimierung
    • Integration
  • Simulation von Zufallsvariablen und stochastischen Prozessen
Anschlussmodule Mathematische Modelle und Analyse, Maschinelles Lernen
Unterrichtsmethoden  Kombination von vorbereitendem Selbststudium, kurze Inputs, Übungen und problembasierte Lerneinheiten. Die Konzepte und Methoden werden jeweils zuerst an einfachen Beispielen erarbeitet, dann selbst rudimentär implementiert und, wo sinnvoll, die häufig verwendeten professionellen Programmbibliotheken kennengelernt.
Digitale Lernressourcen  Skript & Literatur, Lernvideos, Übungs- und Anwendungsaufgaben, Interaktive Self-Assessments
Unterrichtsgliederung / Gesamtaufwand   
 Kontaktstudium 28
 Begleitetes Selbststudium 28
 Autonomes Selbststudium 64
 Total Workload 120
Präsenzverpflichtung im Unterricht  Präsenz wird stark empfohlen, aber nicht mit Präsenzliste durchgesetzt. Präsenzpflicht bei Leistungsnachweisen und Projektpräsentationen.
Leistungsnachweise 
Erfahrungsnote 40% (Online-Tests & Projektarbeit)

Abgesetzte schriftliche Modulprüfung 60% (Papier & E-Assessment)
 
Bei einer geringen Teilnehmerzahl kann die Prüfungsform der Repetitionsprüfung nach Absprache mit der Studiengangleitung durch Dozierende abgeändert werden: z.B. anstatt einer schriftlichen kann eine mündliche Prüfung abgehalten werden. Bitte entsprechende Meldung der geänderten Prüfungsform per E-Mail (ohne Formular) an pruefungsadmin.lsfm@zhaw.ch und Cc. Studiengangleitung.
Unterrichtssprache  Deutsch
Bemerkungen  -

 

Hinweis

Kurs: Numerische Grundlagen der Data Science
Nr.
n.BA.AD.NGDS.22HS.V
Bezeichnung
Numerische Grundlagen der Data Science

Hinweis

  • Für das Stichdatum 23.11.2024 ist kein Modulbeschreibungstext im System verfügbar.