Ermittlung der informatischen Inhalte durch

Transkript

1 Ermittlung der informatischen Inhalte durch Didaktik der Informatik Abstract: insbesondere in den Bereichen Big Data, Datenmanagement und Maschinenlernen, hat sich der Umgang mit Daten und deren Analyse wesentlich - daher die hinter der Data Science stehenden informatischen Inhalte durch - Keywords: 1 - Data Science -

2 Statistik und Informatik als Fundamente angesehen. Je nach konkreter Aus- Teil deutlich unterschiedliche inhaltliche und methodische Ausrichtungen Data Science - Digitalisierung - Data Literacy - - dem Begriff Digital Humanities, - auch bei der Integration dieser Bereiche in die (Hochschul-)Ausbildung und Data Science, indem - werden. Somit wird ein Überblick über die Data Science gegeben und diese durch ihre informatischen Aspekte charakterisiert.

3 2 Verwandte Arbeiten Data Science besteht keine klare - data science = statistics + informatics + computing + communication + sociology + management data + environment + thinking 1 Data science is the extraction of actionable knowledge directly from data through a process of discovery, or hypothesis formulation and hypothesis testing Auch in anderen Arbeiten wird die Bedeutung der Data Science deutlich: So konnte das HIS-Institut für Hochschulentwicklung in Deutschland bereits Zwar wurden bereits auf Bildung hin ausgerichtete Arbeiten durchgeführt - eher aus anderen Bereichen der Informatik: Insbesondere dienen Arbeiten

4 3 Zur fachlichen Fundierung der (informatikdidaktischen) Data-Science-For- Begriff Data Science 2 - kontrastiert: - - trastiert. und Stuttgart sowie der Hochschule der Medien Stuttgart und der Hochschule Albstadt- Sigmaringen betrachtet. 122

5 Welche zentralen Inhalte charakterisieren Data-Science-Studiengänge im deutschsprachigen - Charakterisierung der Data Science entsprechen wird. Im Allgemeinen kann - - Im Sinne der Methodik nach Mayring wird die Analyse in mehrere Schrit- die Erstellung eines hierarchisch organisierten Kategoriensystems mündet Festlegung von Literaturkanon, Kodiereinheit und Analysekriterien - herange- -

6 werden. - - matisieren müssen. - Beuth Hochschule Berlin, Hochschule Darmstadt, Technische Universität Dortmund, Universität Jena, Universität München/LMU, Universität Mannheim, Hochschule Albstadt-Sigmaringen, Universität Salzburg, Hochschule der Medien Stuttgart Universität Marburg, Universität Stuttgart (beide B. Sc.) weise endliche Automaten und elementare Statistik sondern nur die Kategorien StatistikTheoretische Informatik eingeführt. Hingegen wurde beispielsweise die Methode die in der Datenanalyse eine wichtige Rolle spielt und in der Betrachtung in den Curricula Mannheim Master in Data Science berücksichtigt werden konnten.

7 Kategoriensystem aufgenommen. 3.2 der festgelegten Kriterien systematisch analysiert. Statt direkt ein hierarchi- dies bereits an dieser Stelle klar ersichtlich war: Beispielsweise wurden bei - kumenten genannt wurden. Diese potentiellen Zusammenfassungen wurden - und auf unterschiedlichem Detailgrad angesiedelt waren. Daher wurde diese - wurden die beiden Bereiche informatische Grundlagen sowie mathematische Grundlagen im Fokus dieser Arbeit stehenden Inhalte der Data Science. Auf den tiefe- - - Methoden des unüberwachten Lernens (insbesondere Clustering, AssoziationMethoden des überwachten

8 Lernens (insbesondere Komplexere Methoden (beispielsweise Neuronale Netze) sowie Verknüpfung von Methoden/Ensemble-Learning. - Methoden der Datenanalyse, schiedlichen Zwecke und Charakteristika in den Hintergrund rücken würden und so insbesondere auch der Einblick in die unterschiedliche Abdeckung Diskussion der Ergebnisse Das entstandene Kategoriensystem beschreibt die Data Science aus informa- Datenanalyse und Maschinenlernen, Big Data, Datenschutz, Ethik und Datenspeicher. informatische und mathematische Grundlagen. Bereiche diskutiert werden: entsprechenden Modulen thematisieren. - Statistik Lineare Algebra und Analysis

9 - Auch der Blick auf die informatischen Grundlagen Programmierung sowie Algorithmen und Datenstrukturen Betriebssystemen und Theoretischer Informatik Rechnerkommunikation thematisiert wird. Im Bereich der Grundlagen besteht - - Datenspeicher, insbesondere Aspekte des Fachgebiets Datenbanken/Datenmanagement wie Bereich Datenschutz und Ethik, der bei Datenanalysen aus gesellschaftlicher Datenanalyse und Maschinenlernen und Big Data Science eine neue Bedeutung in der Informatik erlangen. Insbesondere Datenanalyse und Maschinenlernen sind in der Datenwis- thematisiert. Dabei liegt ein Schwerpunkt auf der Auswahl, Beurteilung und Anpassung von Analysemodellen Prozess der Datenanalyse überwachten Lernens Aufbereitung der Analyseergebnisse. Big Data: -

10 HdM gart Univ. burg Albst.- Univ. gart LMU chen Univ. Marburg Univ. Jena TU Dortmund Darmstadt Beuth Berlin Anz. nungen % der gänge Mathematik Analysis Statistik Informatische Grundlagen Algorithmen und Datenstrukturen Betriebssysteme 2 IT-Security Rechnerarchitektur 1 Rechnerkommunikation 2 Software Engineering Theoretische Informatik 2 1 Datenanalyse und Maschinenlernen Ensemblelernen 128

11 Methoden überwachtes 8 Methoden unüberwachtes - Big Data Algorithmen und Methoden Big-Data-Architekturen und -Systeme Analyse Datenschutz, Ethik Ethische Aspekte Sicherheit Datenspeicher Daten(bank)modellierung Datenbanken (insb. relational) Datenbanksprachen

12 Systeme Methoden eine wichtige Rolle spielen. Je nach Interpretation kann Big Data - - Unterschiede. Internationaler Vergleich - Master of Information and Data Science sowie die Master of Science in Data Science der - der Analyse sind in Tab. 2 abgebildet kennbar bleiben. - Datenanalyse und Maschinenlernen Schwerpunkt dar.

13 Mathematik Analysis Tab. 2: Einordnung dreier US-amerikanischer Curricula in das entwickelte Kategoriensystem Berkeley Univ. Columbia Univ. Univ. of Anz. der diengänge Statistik 2 Informatische Grundlagen Algorithmen und Datenstrukturen 1 Betriebssysteme IT-Security 2 Rechnerarchitektur Rechnerkommunikation Software Engineering Theoretische Informatik Datenanalyse und Maschinenlernen 1 2 Ensemblelernen 2 o 2 o 1 -anpassung 1 1 Big Data Algorithmen und Methoden der Big- Big-Data-Architekturen und -Systeme Datenschutz, Ethik 1 Ethische Aspekte 1 Sicherheit Datenspeicher Daten(bank)modellierung 2 Datenbanken (insb. relational) Datenbanksprachen 2

14 4 Ausblick: Entwicklung eines Data-Literacy- Kompetenzmodells Die beschriebene Arbeit schafft durch eine fundierte Charakterisierung der Neben einer Fundierung der Studiengangs- und Curriculums(weiter)entwick- Data Literacy der fachdidaktischen Forschung werden. Dieser insbesondere aus dem Hoch re unter Rückgriff auf die hier beschriebenen Inhalte der Data Science und - - werden. Zur Ableitung der Inhaltsbereiche dienen dabei die hier ermittelten - - Abbildung 1 abgebildet aussehen.

15 Inhaltsbereiche Daten und Information gewinnen, modellieren und bereinigen Datenspeicherung und -zugriff implementieren und optimieren Datenanalyse und Maschinenlernen analysieren, visualisieren und interpretieren Datenethik und Privatsphäre teilen, archivieren und löschen Prozessbereiche 5 Zusammenfassung und Ausblick Die durchgeführte Analyse gibt einen klaren Überblick über die Inhalte der - - Datenbanken/Datenmanagement sowie Maschinenlernen/Datenanalyse betrachtet Big Data, Datenethik, -

16 Literaturverzeichnis - - Standards für die Informatik in der Schule: Bildungsstandards Informatik - -