EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
[
German (Switzerland)
German (Switzerland)
] [
English
English
]
Not registered
[home]
[Login]
[Print]
Navigation
Kontakt zu Service Desk
Online-Dokumentation
Allgemeiner Zugriff
Module suchen
n.BA.AD.NGDS.22HS (Numeric Fundamentals of Data Science)
Module: Numeric Fundamentals of Data Science
This information was generated on: 27 April 2024
No.
n.BA.AD.NGDS.22HS
Title
Numeric Fundamentals of Data Science
Credits
4
Description
Version: 1.0 start 01 August 2022
Study Programme
Applied Digital Life Sciences
Regulations Applicable
RPO, 29 January 2008, School of Life Sciences and Facility Management Academic Regulations, 15 Dec. 2009, Annex for the Bachelor of Applied Digital Life Sciences degree programme
Module Type
X
Compulsory Module
Elective Module
Optional Module
Planned Semester
2nd Semester
Module Coordinator
Lukas Hollenstein
Telephone / E-Mail
+41 (0)58 934 54 02 /
lukas.hollenstein@zhaw.ch
Lecturer(s),
Speaker(s),
Associate(s)
Lukas Hollenstein
Entrance Requirements
Analysis und Algebra, Programmieren, Daten und Informationen
Learning Outcomes and Competencies
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.
Module Content
Grundlagen der numerischen Mathematik: Iterative Verfahren, Fehler, Konvergenz, etc.
Numerische Analysis
Nullstellen
Ableitung
Integration
Interpolation
Optimierung
Gewöhnliche Differentialgleichungen
Grundlagen der numerischen linearen Algebra
Simulation von Zufallsvariablen & Sampling
Follow-up Modules
Maschinelles Lernen, Mathematische Modelle und Analyse
Methods of Instruction
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.
Digital Resources
Skript & Literatur, Lernvideos, Übungs- und Anwendungsaufgaben, Interaktive Self-Assessments
Lesson Structure / Workload
Contact Hours
28
Guided Self-Study
28
Independent Self-Study
64
Total Workload
120
Classroom Attendance
Präsenz wird stark empfohlen, aber nicht mit Präsenzliste durchgesetzt. Präsenzpflicht bei Leistungsnachweisen.
Assessment
Erfahrungsnote 40% (Online-Tests & Projekte)
Abgesetzte schriftliche Modulprüfung 60% (Papier & e-assessment)
If there is a low number of participants, the lecturer may change the form of a repeat examination after consultation with the head of the study programme: e.g. an oral examination can be used to replace a written one. Please report any changes to the form of examinations by e-mail to
pruefungsadmin.lsfm@zhaw.ch
and Cc. Head of study programme.
Language of Instruction
Deutsch
Comments
-
Note
Additional available versions:
2.0 start 01 August 2024
Course: Numeric Fundamentals of Data Science
No.
n.BA.AD.NGDS.22HS.V
Title
Numeric Fundamentals of Data Science
Note
No module description is available in the system for the cut-off date of 27 April 2024.