Der Kurs Data Science bietet den Rahmen, um aus Daten Wert zu schaffen. Nach einer Einführung behandelt der Kurs, wie geeignete Anwendungsfälle identifiziert und die Leistung von datengesteuerten Methoden bewertet werden. Der Kurs behandelt Techniken für die technische Verarbeitung von Daten und stellt dann fortgeschrittene mathematische Techniken und ausgewählte Methoden der künstlichen Intelligenz vor, die zur Datenanalyse und für Vorhersagen verwendet werden.

1. Einführung Data Science
   1. Überblick über Data Science
   2. Tätigkeiten der Data Science
   3. Datenquellen
   4. Deskriptive Statistik
2. Use Cases und Bewertung
   1. Data Science Use Cases (DSUCs)
   2. Bewertung
3. Datenvorverarbeitung
   1. Übermittlung von Daten
   2. Datenqualität, Bereinigung und Transformation
   3. Datenvisualisierung
4. Verarbeitung von Daten
   1. Stufen der Datenverarbeitung
   2. Methoden und Arten der Datenverarbeitung
   3. Ausgabeformate der verarbeiteten Daten
5. Ausgewählte mathematische Techniken
   1. Hauptkomponentenanalyse
   2. Clusteranalyse
   3. Lineare Regression
   4. Zeitreihenanalyse
   5. Methoden zur Datentransformation
6. Ausgewählte Techniken der künstlichen Intelligenz
   1. Stütz-Vektor-Maschinen
   2. Künstliche neuronale Netze
   3. Weitere Ansätze

Python ist eine der vielseitigsten und am weitesten verbreiteten Skriptsprachen. Seine klare und übersichtliche Syntax sowie sein geradliniges Design tragen wesentlich zu diesem Erfolg bei und machen ihn zu einer idealen Sprache für die Programmierausbildung. Die Anwendungsgebiete reichen von der Webentwicklung bis hin zum wissenschaftlichen Rechnen. Insbesondere in den Bereichen Datenwissenschaft und künstliche Intelligenz ist sie die gebräuchlichste Programmiersprache, die von allen wichtigen Datenverarbeitungs- und Analyseframeworks unterstützt wird. Dieser Kurs bietet eine gründliche Einführung in die Sprache und ihre Hauptfunktionen sowie Einblicke in die Begründung und Anwendung wichtiger angrenzender Konzepte wie Umgebungen, Tests und Versionskontrolle.

1. Einführung in Python
   1. Datenstrukturen
   2. Konditionaler Code
   3. Funktionen
   4. Schleifen
   5. Eingabe/Ausgabe
   6. Programme protokollieren
   7. Module und Pakete
2. Klassen und Vererbung
   1. Namespaces und Scopes
   2. Klassen und Vererbung
   3. Iteratoren und Generatoren
3. Fehler und Ausnahmen
   1. Syntaxfehler
   2. Behandlung und Auslösung von Ausnahmen
   3. Benutzerdefinierte Ausnahmen
4. Wichtige Pythin-Bibliotheken
   1. Standard-Python-Bibliothek
   2. Wissenschaftliche Berechnungen
   3. Beschleunigung von Python
   4. Visualisierung
   5. Zugriff auf Datenbanken
5. Arbeiten mit Python
   1. Virtuelle Umgebungen
   2. Verwaltung von Paketen
   3. Unit- und Integrationstests
   4. Dokumentation des Codes
6. Versionskontrolle
   1. Einführung in die Versionskontrolle
   2. Versionskontrolle mit GIT

Daten werden oft als das "neue Öl" bezeichnet, der Rohstoff, aus dem Wert geschaffen wird. Um die Macht der Daten zu nutzen, müssen die Daten auf technischer Ebene gespeichert und verarbeitet werden. Dieser Kurs stellt die vier "Vs" von Daten sowie typische Datenquellen und -typen vor.

Dieser Kurs behandelt dann, wie Daten in Datenbanken gespeichert werden. Besonderes Augenmerk wird auf Datenbankstrukturen und verschiedene Arten von Datenbanken gelegt, z.B. relationale, noSQL, NewSQL und Zeitreihen. Neben klassischen und modernen Datenbanken deckt dieser Kurs eine breite Palette von Speicher-Frameworks ab, wie z.B. verteilte Dateisysteme, Streaming und Query-Frameworks. Ergänzt wird dies durch eine ausführliche Diskussion der Datenspeicherformate, die von klassischen Ansätzen wie CSV und HDF5 bis hin zu moderneren Ansätzen wie Apache Arrow und Parquet reichen. Schließlich gibt dieser Kurs einen Überblick über verteilte Computerumgebungen, die auf lokalen Clustern, Cloud Computing-Einrichtungen und containerbasierten Ansätzen basieren.

1. Datentypen und Datenquellen
   1. Die 4Vs der Daten: Volumen, Geschwindigkeit, Vielfalt, Wahrhaftigkeit.
   2. Datenquellen
   3. Datentypen
2. Datenbanken
   1. Datenbankstrukturen
   2. Einführung in SQL
   3. Relationale Datenbanken
   4. nonSQL, NewSQL Datenbanken
   5. Zeitreihe DB
3. Moderne Datenspeicher-Frameworks
   1. Verteilte Dateisysteme
   2. Streaming-Frameworks
   3. Query-Frameworks
4. Datenverarbeitungs-Frameworks
   1. Traditionelle Datenaustauschformate
   2. Apache Arrow
   3. Apache Parquet
5. Aufbau skalierbarer Infrastrukturen
   1. Cluster-basierte Ansätze
   2. Container
   3. Cloud-basierte Ansätze

Die Entwicklung eines erfolgreichen datenbasierten Produkts erfordert eine beträchtliche Menge an hochwertigem Code, der in einer professionellen Produktionsumgebung ausgeführt werden muss. Dieser Kurs beginnt mit der Einführung der agilen Ansätze Scrum und Kanban und diskutiert dann den Übergang von eher traditionellen Softwareentwicklungsansätzen zur DevOps-Kultur.

Besonderer Fokus liegt auf der Diskussion und dem Verständnis von Techniken und Ansätzen zur Erzeugung von qualitativ hochwertigem Code wie Unit- und Integrationstests, testgetriebene Entwicklung, Paarprogrammierung sowie kontinuierliche Bereitstellung und Integration.

Da viele Software-Artefakte über APIs angesprochen werden, werden in diesem Kurs Konzepte des API-Designs und Paradigmen vorgestellt.

Schließlich behandelt dieser Kurs die Herausforderungen, Code in eine Produktionsumgebung zu bringen, eine skalierbare Umgebung aufzubauen und Cloud-basierte Ansätze zu verwenden.

1. Agile Projektleitung
   1. Einführung in SCRUM
   2. Einführung in Kanban
2. DevOps
   1. Traditionelles Lifecycle-Management
   2. Zusammenführung von Entwicklung und Betrieb
   3. Auswirkungen der Teamstruktur
   4. Aufbau einer DevOps-Infrastruktur
3. Software-Entwicklung
   1. Unit- und Integrationstest, Leistungsüberwachung
   2. Testgetriebene Entwicklung & Paarprogrammierung
   3. Kontinuierliche Lieferung & Integration
   4. Übersicht über die relevanten Werkzeuge
4. API
   1. API-Design
   2. API-Paradigmen
5. Vom Modell zur Produktion
   1. Aufbau einer skalierbaren Umgebung
   2. Modellversionierung und Persistenz
   3. Cloud-basierte Ansätze

Mit der zunehmenden Digitalisierung und Vernetzung von IT-Systemen ist der Bedarf gestiegen, Systeme und die von diesen Systemen verarbeiteten Daten zu schützen. Ziel dieses Moduls ist es, ein Verständnis für die erforderlichen Sicherheitsmaßnahmen, die IT-Sicherheit einschließlich Kryptographie und den Datenschutz zu vermitteln. Während der Bedarf an IT-Sicherheit weltweit ähnlich ist, haben verschiedene Kulturen unterschiedliche Erwartungen an Datenschutz und Privatsphäre. Dennoch werden personenbezogene Daten oft außerhalb des Landes verarbeitet, in dem die betroffenen Personen leben. Daher müssen die kulturellen Aspekte des Datenschutzes bei der Verarbeitung der Daten berücksichtigt werden. Dieser Kurs gibt einen Überblick über die wichtigsten IT-Sicherheitsmaßnahmen in verschiedenen Anwendungsszenarien sowie deren Integration in ein Informationssicherheitsmanagementsystem mit besonderem Fokus auf die relevante Normenfamilie ISO/IEC 270xx. Die Kryptographie stellt ein wichtiges Werkzeug für die IT-Sicherheit dar und wird in vielen verschiedenen Anwendungsszenarien wie sicheren Internetprotokollen und Block Chain eingesetzt.

1. Grundlagen von Datenschutz und IT-Sicherheit
   1. Terminologie und Risikomanagement
   2. Kernkonzepte der IT-Sicherheit
   3. Kernkonzepte von Datenschutz und Privatsphäre
   4. Kernkonzepte der Kryptografie
   5. Rechtliche Aspekte
2. Datenschutz
   1. Grundbegriffe des Datenschutzes (ISO/IEC 29100, Privacy by Design)
   2. Datenschutz in Europa: die DSGVO
   3. Datenschutz in den USA
   4. Datenschutz in Asien
3. Anwendung des Datenschutzes
   1. Anonymität und Pseudonyme
   2. Datenschutz in der Datenwissenschaft und Big Data
   3. Benutzer-Tracking im Online-Marketing
   4. Cloud Computing
4. Bestandteile der IT-Sicherheit
   1. Authentifizierung, Zugriffsverwaltung und -kontrolle
   2. Endgerätesicherheit
   3. IT-Sicherheit in Netzwerken
   4. Entwicklung sicherer IT-Systeme
5. IT-Sicherheitsmanagement
   1. Sicherheitsrichtlinien
   2. Sicherheits- und Risikoanalyse
   3. Die ISO 27000-Reihe
   4. IT-Sicherheit und IT-Governance
   5. Beispiel: IT-Sicherheit für Kreditkarten (PCI DSS)
6. Kryptografie
   1. Grundbegriffe der Kryptografie
   2. Symmetrische Kryptografie
   3. Asymmetrische Kryptografie
   4. Kryptografie mit elliptischer Kurve
   5. Hash-Funktionen
   6. Sicherer Datenaustausch
7. Kryptografische Anwendung
   1. Digitale Signaturen
   2. Sichere Internet-Protokolle
   3. Blockchain
   4. Elektronisches Geld

Dieser Kurs gibt einen Überblick über die wichtigsten architektonischen Aspekte eines selbstfahrenden Autos. Nach der Einführung der Hard- und Softwareplattformen stellt der Kurs die Sensorlösungen vor, die notwendig sind, um die Umgebungswahrnehmung für autonome Fahrzeuge zu ermöglichen. Diese Wahrnehmung liefert die Informationen, die für die Bewegungssteuerung, einschließlich Bremsen und Lenken, verwendet werden. Die grundlegenden Konzepte für die Realisierung und Implementierung von Motion Control werden zusammen mit den damit verbundenen Sicherheitsfragen (z.B. Motion Control unter Falschinformationen) vorgestellt. Auch die Art und Weise, wie ein selbstfahrendes Auto Informationen mit der Außenwelt austauscht, wird diskutiert, und die wichtigsten Technologien und Protokolle werden vorgestellt. Der letzte Teil des Kurses beschäftigt sich mit den sozialen Auswirkungen von selbstfahrenden Autos: Ethik, Mobilität und Design.

1. Einführung
   1. Grundkonzepte und Schlüsseltechnologien
   2. Hardware-Übersicht
   3. Software-Übersicht
   4. Stand der Technik und offene Herausforderungen
   5. Trends
2. Umgebungswahrnehmung
   1. Grundlegende Konzepte
   2. GPS
   3. Trägheitssensoren
   4. Lidar und Radar
   5. Kameras
3. Bewegen, Bremsen, Lenken, Lenken
   1. Grundlagen
   2. Dynamik eines mobilen Fahrzeugs
   3. Bremstechnologien
   4. Quer- und Längskontrolle
   5. Sicherheitsfragen
4. Kommunikation
   1. Car2X-Kommunikation
   2. Protokolle
   3. Sicherheitsfragen
5. Soziale Auswirkungen
   1. Ethik für autonome Fahrzeuge
   2. Neue Mobilität
   3. Autonome Fahrzeuge und Design

Dieser Kurs vermittelt die grundlegenden Konzepte und Methoden der Lokalisierung, Bewegungsplanung und Sensorfusion für mobile Robotik und selbstfahrende Autos. Mobile Roboter und autonome Fahrzeuge verlassen sich auf die Fähigkeit, die Umwelt wahrzunehmen und auf ihre dynamischen Veränderungen zu reagieren.

Der erste Teil des Kurses konzentriert sich auf die Darstellung von Bewegung und Navigation auf der Grundlage der Odometrie, die von Fehlern aufgrund von Informationsunsicherheit betroffen ist. Eine mögliche Lösung bieten Lokalisierungsmethoden, die Odometrie und ergänzende Informationen, wie beispielsweise ein GPS-Signal, verwenden, um die Schätzung der Position der autonomen Fahrzeuge innerhalb eines Bezugsrahmens zu verbessern. Auf diese Weise kann sich das Fahrzeug auf ein Ziel zubewegen.

Die Probleme bei der Erkennung dynamischer Veränderungen in der Umgebung werden im letzten Teil des Kurses behandelt, wo die Methoden der Sensorfusion vorgestellt werden. Durch die Zusammenführung mehrerer Datenquellen können Informationen extrahiert werden, z.B. ein sich näherndes Objekt oder eine Änderung einer Situation. Das autonome Fahrzeug muss in der Lage sein, das Objekt zu verfolgen und auf seine Bewegung zu reagieren, um menschliche Gefahren und Schäden zu vermeiden. Die Bestimmung der besten zu verfolgenden Trajektorie wird im letzten Teil des Kurses behandelt.

Der Kurs gibt einen praktischen Überblick über die wichtigsten Methoden zur Lokalisierung, Bewegungsplanung und Sensorfusion. Die Studierenden müssen die Konzepte und Methoden auf Fallstudien mit einem selbstfahrenden Fahrzeug in zwei Hauptszenarien anwenden: "auf der Straße" und in einer Produktionsstätte.

1. Bewegung und Odometrie
   1. Grundprinzipien
   2. Bewegungsmodelle
   3. Navigation durch Odometrie
   4. Holonome und nichtholonome Bewegung
   5. Fehler
2. Lokale Navigation
   1. Grundlegende Konzepte
   2. Wegfindung
   3. Hindernisvermeidung
3. Lokalisierung
   1. Grundlegende Konzepte
   2. Triangulation
   3. GPS
   4. Probabilistische Lokalisierung
   5. Unsicherheit der Bewegung
4. Sensordatenfusion
   1. Sensoren
   2. Auswertung von Sensordaten
   3. Kalman-Filter
   4. Erweiterter Kalman-Filter
   5. Objektverfolgung
5. Bewegungsplanung
   1. Pfadplanung
   2. Bewegungsvorhersage
   3. Trajektoriengenerierung

Anwendungen der Datenwissenschaft werden in nahezu allen Formen der wirtschaftlichen und sozialen Interaktion allgegenwärtig. Kreditwürdigkeit, Verbraucherverhaltensanalyse und Newsfeed-Kuration sind nur einige Beispiele. In diesem Seminar werden einige der gesellschaftlichen Auswirkungen dieser Entwicklungen untersucht. Der Kurs wird durch mehrere Artikel und Fallstudien ergänzt, die aktuelle Beispiele für die Auswirkungen der Datenwissenschaft auf die Gesellschaft beschreiben. Die Studierenden lernen, ausgewählte Themen und Fallstudien selbstständig zu analysieren und mit bekannten Konzepten zu verknüpfen, kritisch zu hinterfragen und zu diskutieren.

• Das Seminar behandelt aktuelle Themen rund um die gesellschaftlichen Auswirkungen der Datenwissenschaft. Jeder Teilnehmer muss eine Seminararbeit zu einem ihm zugewiesenen Thema schreiben.