Contents

Klausur

WS 2021:

  • Mi 26.1.2022, 10:30-12 Uhr, A0 01/02 (Angabe ohne Gewähr, maßgeblich ist der offizielle Prüfungsplan!)

Hilfsmittel

  • Als Hilfsmittel zugelassen ist ein in eigenen Worten selbst verfasstes Skript.

    • Das ist typischerweise das Jupyterbook aus dem LN, das gerne beliebig erweitert werden kann - solange es eben in eigenen Worten und selbst verfasst wurde.

  • Das Skript ist mit der Klausur abzugeben.

    • Eine Klausur ohne abgegebendes Skript führt zu einer 5.0.

    • Ausnahme: Sie deklarieren zu Beginn der Klausur, dass Sie die Klausur ohne Hilfsmittel durchführen (z.B. weil Sie ihr Skript zuhause vergessen haben?): Bitte in der ersten Reihe Platz nhemen, auf der Klausur vermerken lassen.

  • Sollten im Skript Textteile enthalten sein, die nicht selbst verfasst sind, erfüllt dies den Tatbestand eines Unterschleifs.

    • Je nach Anteil oder Informationsgehalt der Fremdtexte führt dies in der Klausur zu einem Notenabzug bis hin zu einer 5.0.

Was kommt ‘dran?

Insbesondere ist alles wichtig, was in Themen und Termine durch KLAUSUR gekennzeichnet ist.

Da als Hilfsmittel ein (in eigenen Worten selbst verfasstes) Skript zugelassen ist, werden Fragen, die rein auf Auswendiglernen abzielen, die Ausnahme sein. Eher geht es also um Verstehen.

Aufgabentypen

NEU 2022-01-17

Aufgabentyp “Was ist der Unterschied zwischen …”

Die Antwort hat drei Teile:

  • (1) die Gemeinsamkeit, z.B. die gemeinsame Obeklasse

  • (2) und (3): die charakteristischen Unterschiede.

Beispiel:

  • Q: “Was ist der Unterschied zwischen Regression und Klassifikation?”

  • A: “In beiden Fällen gilt es aus einer Liste von x-Werten einen y-Wert vorherzusagen. Bei der Regression ist dieser y-Wert eine Zahl. Dagegen ist bei der Klassifikation dieser y-Wert eine Kategorie.”

Klausurvorbereitung

Den Stoff nochmal durchgehen, und im Skript (zugelassenes Hilfsmittel) selbst und in eigenen Worten zusammenfassen. Im Einzelnen:

KW 41: Berufsfeld Data Science

(siehe auch Technology-Stack Markdown, Jupyterbook, Zotero > b Inhalt erstellen). Data Science Jobs:

Achtung: Die einzelnen Seiten meiner Website sind hier leider inkonsistent (-> im WS 2022 besser machen). Für die Klausur interessieren uns diese Rollen:

  • Data Scientist

  • Data Analyst

  • Data Engineer

  • Data Architect

  • Machine Learning Engineer

KW 42: Wissenschaftliche Begriffbildung und wiss. Zitieren

Unterschied Wort (Term, Bezeichnung) und Begriff; RDF, URI, Ressource, Literal. Thesaurus-Grundlagen_2015-01-18.pdf.

Wissenschaftliches Zitieren: “7.2.3 Korrekte Zitierweise der verarbeiteten Literatur”, incl. den verschiedenen Formen von Plagiaten, aus Kornmeier, Martin (2018): Wissenschaftliches Arbeiten leicht gemacht

KW 43: dsci-lab

Es gab eine Einführung in die virtuelle Maschine; für die Klausur brauchen wir die wichtigsten Befehle der Linux bash aus https://www.ernstlx.com/linux90bash.html

(siehe auch KW 49)

KW 44: dsw2020, Kapitel 1, S. 2-6

Begriffe: siehe LN Aufgabe 3: Aufgabe 3: Glossar anlegen zu dsw2020, Kapitel 1, S. 2-16

KW 45: Wir erzeugen den Datensatz “Statur”

technisches wissen, Praxis; Ergebnis vor allem LN:

KW 46: Exkurs Wissenschaftstheorie

KLAUSUR

KW 47: Datensatz-Typen

Datensatz-Typen: Unterscheide

  • “Typ” des Datensatzes

  • Modelltyp

  • Algorithmus, der ein Modell erzeugt

KW 50: The Moral Machine

KW 50: Fehler und Fakes

(1) Viele Begriffe für das eigene Skript

(2) Katharina A. Zweig: Wo Maschinen irren können, insbesondere Abbildung 4: Mögliche Fehler im Entwicklungs- und Einbettungsprozess von algorithmischen Entscheidungssystemen (S.21) KLAUSUR

(3) Angenommen, Sie sollen unseren Datensatz “Statur” vorsätzlich und irreführend so erzeugen, dass Frauen “objektiv” gesehen größer und schwerer sind als Männer: Was können Sie tun, um auch auf einen zweiten Blick den Anschein von Wissenschaftlichkeit vorzutäuschen? (mögliche Klausurfrage)

KW 51: Clustering-Algorithmen

  • KNN, K-means

  • die 5 V

KW 2/2022: KI und Diskriminierung

Allgemeinwissen:

Text: Backlink > https://www.plattform-lernende-systeme.de/publikationen-details/kuenstliche-intelligenz-und-diskriminierung-herausforderungen-und-loesungsansaetze.html?file=files/Downloads/Publikationen/AG3_Whitepaper_250619.pdf

  • Begriff Diskriminierung

  • S.14-15, Abschnitt “3. Herausforderungen” (ohne den Kasten Deep Learning)