Dieser Kurs vermittelt den Teilnehmenden ein grundlegendes Verständnis der Programmiersprache Python. Nach einer einleitenden Darstellung der Bedeutung von Python für datenwissenschaftliche Programmieraufgaben werden die Studenten mit grundlegenden Programmierkonzepten wie Variablen, Datentypen und Anweisungen vertraut gemacht. Darauf aufbauend wird der wichtige Begriff einer Funktion erläutert und Fehler, Ausnahmebehandlung und Protokollierung erklärt. Der Kurs schließt mit einem Überblick über die am weitesten verbreiteten Bibliothekspakete für Data Science ab.

1. Einführung
   1. Warum Python?
   2. Beschaffung und Installation von Python
   3. Der Python-Interpreter, IPython und Jupyter
2. Variablen und Datentypen
   1. Variablen und Wertzuweisung
   2. Zahlen
   3. Strings
   4. Sammlungen
   5. Dateien
3. Erklärungen
   1. Zuweisung, Ausdrücke und Druck
   2. Bedingte Anweisungen
   3. Schleifen
   4. Iteratoren und Verständnisse
4. Funktionen
   1. Funktionserklärung
   2. Umfang
   3. Argumente
5. Fehler und Ausnahmen
   1. Fehler
   2. Behandlung von Ausnahmen
   3. Protokolle
6. Module und Pakete
   1. Verwendung
   2. Namensräume
   3. Dokumentation
   4. Populäre Datenwissenschaftspakete

Dieser Kurs baut auf Grundkenntnissen der Python-Programmierung (Introduction to Programming with Python, DLBDSIPWP) auf und befasst sich mit der Darstellung fortgeschrittener Python-Programmierkonzepte. Zu diesem Zweck werden wichtige Begriffe der objektorientierten Programmierung wie Klassen und Objekte und die zugehörigen Entwurfsprinzipien erläutert. Ausgehend von einer eingehenden Diskussion fortgeschrittener Merkmale von Python-Funktionen werden funktionale Programmierkonzepte und ihre Implementierung in Python vermittelt. Speziell im dualen Fernstudium:

Im dualen Fernstudium ist der Theorie-Praxis-Transfer anhand eines realen Projekts, das im Praxisbetrieb umgesetzt werden soll, zu leisten. Im Rahmen des Praxisprojektes bearbeiten die Studierenden eine praxisrelevante Fragestellung ihres Praxisbetriebs unter Betreuung einer:s Lehrenden. Eine Betreuung seitens Praxispartner kann auf Wunsch erfolgen.

• Der Kurs bietet den Studierenden eine gründliche Einführung in wichtige Begriffe und Konzepte aus dem Bereich der objektorientierten Programmierung wie Klassen, Objekte, Abstraktion, Kapselung, Vererbung, Polymorphismus, Komposition und Delegation. Zusätzlich wird das Paradigma der funktionalen Programmierung und zugehörige Ideen wie Funktionen als erste Klasse Objekte, Dekoratoren, reine Funktionen, Unveränderbarkeit und Funktionen höherer Ordnung vermittelt. Entsprechend dem Portfolio-Kurstyp werden die oben genannten Konzepte und Ideen durch praktische Programmierprojekte untersucht.

Gespeicherte Daten bilden die Grundlage von vielen Wertschöpfungsketten einer Informations- und Wissensgesellschaft. Daher bildet die methodische Strukturierung von Datenschemas als „Formgeber“ gespeicherter Daten eine wichtige Grundlage, um gespeicherte Informationen so abzulegen, dass ein einfaches Wiederfinden und Bearbeiten möglich ist. Neben dem strukturierten Speichern von Daten muss auch ein strukturierter Zugriff auf große Datenmengen möglich sein.

In diesem Kurs wird vermittelt, wie Daten in relationalen Datenmodellen gespeichert werden und wie auf gespeicherte Daten mit SQL zugegriffen werden kann. Weiterhin werden neben relationalen Datenbanksystemen auch moderne DB-Systeme (NoSQL) zum Speichern und Zugreifen von Daten vorgestellt.

1. Grundlagen relationaler Datenbanken
   1. Grundkonzepte des relationalen Datenmodells
   2. Datensätze in der Datenbank suchen und löschen
   3. SQL und Relationale Datenbanksysteme
2. Datenbankanfragen an genau eine Tabelle
   1. Daten abfragen (SELECT)
   2. Daten mit Bedingung abfragen (WHERE)
   3. Ausgabe von Abfragen sortieren (ORDER BY)
   4. Abfragen mit Gruppenbildung (GROUP BY)
   5. Unterabfragen mit verschachtelten SELECT-Statements
3. Konzeption und Modellierung von relationalen Datenbanken
   1. Das Entity Relationship-Modell
   2. Beziehungen und Kardinalitäten in E/R-Modellen
   3. Normalformen von Datenbanken
4. Erstellung von relationalen Datenbanken
   1. Aktivitäten zum logischen Datenbankentwurf
   2. Abbildung vom konzeptionellen Datenmodell in das physikalische Datenmodell
   3. Erzeugen von Tabellen in SQL-Datenbanken aus E/R-Diagrammen
5. Komplexe Datenbankabfragen auf mehreren Tabellen
   1. Verbundmengen (JOIN)
   2. Mengenoperationen
   3. Datensichten mit CREATE VIEW
6. Manipulieren von Datensätzen in Datenbanken
   1. Neue Datensätze einfügen (INSERT)
   2. Vorhandene Datensätze ändern
   3. Transaktionen
7. NoSQL-Datenbanksysteme
   1. Motivation und Grundidee
   2. Ausgewählte Gruppen von NoSQL-Systemen

Dieser Kurs bietet die Möglichkeit, ein reales Anwendungsszenario für eine bestimmte Datenbank zu implementieren. Eine Liste mit Ideen für Anwendungsfälle wird auf der Online-Lernplattform zur Verfügung gestellt. Darüber hinaus können die Studierenden in Absprache mit dem Tutor eigene Anwendungsfälle einbringen und implementieren. Im Vordergrund steht die Umsetzung des theoretischen Wissens über Datenbankmethoden und -ansätze zur Lösung eines realen Anwendungsszenarios. Dazu gehört auch, mögliche Design- und Architekturentscheidungen mithilfe von Methoden aus der Datenbankmodellierung zu begründen und in einem funktionierenden Datenbanksystem zu implementieren.

Speziell im dualen Fernstudium: Im dualen Fernstudium ist der Theorie-Praxis-Transfer anhand eines realen Projekts, das im Praxisbetrieb umgesetzt werden soll, zu leisten. Im Rahmen des Praxisprojektes bearbeiten die Studierenden eine praxisrelevante Fragestellung ihres Praxisbetriebs unter Betreuung einer:s Lehrenden. Eine Betreuung seitens Praxispartner kann auf Wunsch erfolgen.

In diesem Kurs wenden die Studierenden ihr Wissen über Datenmodellierung und Datenbanken an, um einen Anwendungsfall ihrer Wahl in einem Projekt zu implementieren. Alle relevanten Artefakte, wie die Bewertung des Anwendungsfalls, die gewählte Methode zur Implementierung, der Code und die Ergebnisse, werden in Form einer schriftlichen Ausarbeitung dokumentiert.

Daten werden oft als das "neue Öl" betrachtet, als der Rohstoff, aus dem Mehrwerte geschaffen werden. Um die Macht der Daten nutzbar zu machen, müssen die Daten gespeichert und auf technischer Ebene verarbeitet werden. In diesem Kurs werden die vier "Vs" von Daten sowie typische Datenquellen und -typen vorgestellt. Der Kurs behandelt die gängigsten Datenspeicherformate, die in modernen Systemen anzutreffen sind, wobei sowohl auf textbasierte als auch auf binäre Datenformate eingegangen wird. Der Umgang mit großen Datenmengen stellt erhebliche Herausforderungen an die zugrunde liegende Infrastruktur. Der Kurs behandelt die wichtigsten verteilten und Streaming-Datenverarbeitungs-Frameworks, die in führenden Anwendungen eingesetzt werden.

1. Datentypen und Datenquellen
   1. Die 4 Vs der Daten: Volume, Velocity, Variety, Veracity
   2. Datenquellen
   3. Datentypen
2. Gängige Datenformate
   1. Textbasierte Formate (CSV, XML, JSON)
   2. Binäre Formate (HDF5, Parquet, Arrow)
3. NoSQL-Datenspeicher
   1. Einführung und Motivation
   2. Ansätze und technische Konzepte
4. Verteilte Systeme
   1. Hadoop und MapReduce
   2. Hadoop-Dateisystem (HDFS)
   3. Spark
   4. Dask
5. Streaming-Frameworks
   1. Spark Streaming
   2. Kafka

Ziel des Kurses ist es, die Studierenden mit ausgewählten Methoden und Techniken der Datenanalyse im Kontext stetig wachsender, heterogener Datenmengen vertraut zu machen. Hierzu wird zunächst die grundsätzliche Relevanz von Big Data-Methoden anhand der historischen Entwicklung der Datenbestände motiviert. Entscheidend ist hier unter anderem die kontinuierliche Belieferung der Systeme mit Sensordaten aus dem Internet of Things. Es folgt eine kurze Einführung in die wesentlichen statistischen Grundlagen, bevor die einzelnen Schritte des Data Mining-Prozess thematisiert werden. In Abgrenzung zu diesen klassischen Verfahren werden dann ausgewählte Methoden vorgestellt, mit denen Datenbestände im Big Data-Kontext analysierbar gemacht werden können. Weil die Datenanalyse bestimmten gesetzlichen Rahmenbedingungen unterliegt, werden in diesem Kurs zudem rechtliche Aspekte wie der Datenschutz behandelt. Der Kurs schließt mit einem Überblick über den Praxiseinsatz von Big Data-Methoden und -Werkzeugen. Hierbei werden insbesondere die Anwendungsfelder im industriellen Kontext beleuchtet.

1. Einführung in die Analyse von Daten
   1. Entscheidungen, Informationen, Daten
   2. Historische Entwicklung der Speicherung und Auswertung von Daten
   3. Big Data: Eigenschaften und Beispiele
   4. Datenanalyse
   5. Das Internet of Things als Treiber für Big Data
2. Statistische Grundlagen
   1. Deskriptive Datenanalyse
   2. Inferenzielle Datenanalyse
   3. Explorative Datenanalyse
   4. Multivariate Datenanalyse
3. Data Mining
   1. Knowledge Discovery in Databases
   2. Assoziationsanalyse
   3. Korrelationsanalyse
   4. Prognose
   5. Clusteranalyse
   6. Klassifikation
4. Big Data-Methoden und -Technologien
   1. Technologiebausteine
   2. MapReduce
   3. Text- und semantische Analyse
   4. Audio- und Videoanalyse
   5. BASE und NoSQL
   6. In-Memory-Datenbanken
   7. Big-Data-Erfolgsfaktoren
5. Rechtliche Aspekte der Datenanalyse
   1. Datenschutzgrundsätze in Deutschland
   2. Anonymisierung und Pseudonymisierung
   3. Internationale Datenanalyse
   4. Leistungs- und Integritätsschutz
6. Lösungsszenarien
7. Anwendung von Big Data in der Industrie
   1. Produktion und Logistik
   2. Effizienzsteigerungen in der Supply Chain
   3. Schlüsselfaktor Daten
   4. Beispiele und Fazit