Vertiefungsphase (3. bis 7. Semester)

Machine Learning 1

• Donnerstags 09:50 bis 13:10 Uhr, Raum XXX
• Montags 14:00 bis 15:30 Uhr, Raum XXX
• Start: 10. Oktober 2024

Die Daten und Modelle, mit denen Data Scientists arbeiten werden immer im Kontext einer Anwendung eingesetzt. Insbesondere ist es notwendig, Daten und auf ihnen basierenden Machine Learning Modelle in eine Applikation einzubetten. Diese Applikation muss den Anforderungen der Nutzer genügen, eine ansprechende und bedienbare Schnittstelle aufweisen. Außerdem ist es notwendig, diese auf einfache Weise auszurollen, zu aktualisieren und zu betreiben.

Anhand einer konkreten Applikation, die Studierende in Zusammenarbeit mit externen Akteuren entwickeln, werden in diesem Kurs die Grundlagen der Applikationsentwicklung, insbesondere Grundlagen der Software-Architektur sowie Scrum als agiler Softwareentwicklungsprozess, geübt. Außerdem liegt ein Fokus auf dem Betrieb von Software in Containern mit Hilfe von Docker und Kubernetes. Dabei arbeiten Studenten der Informatik und aus der Data Science zusammen in einem Team, unterstützen sich gegenseitig mit ihren jeweiligen Fachkenntnissen und interagieren gemeinsam mit den externen Partnern. Die Zusammenarbeit mit externen Partnern erfordert außerdem das Erheben von Anforderungen und regelmäßige Feedbackschleifen.

Lernziele

Nach erfolgreichem Abschluss des Kurses werden die Teilnehmer in der Lage sein:

- den Kontext der Arbeit mit Daten und Modellen und die Bedeutung ihrer Einbettung in eine Anwendung zu beschreiben,
- Verständnis für agile Softwareentwicklungsprozesse, insbesondere Scrum, und wie diese bei der Entwicklung von Data Science-Anwendungen eingesetzt werden können, zu demonstrieren,
- ihre Programmierkenntnissen zur Entwicklung einer Data-Science-Anwendung, die Daten und maschinelle Lernmodelle einbezieht, anzuwenden,
- effektiv mit externen Partnern zusammenzuarbeiten, um Anforderungen zu erfassen, regelmäßiges Feedback einzuholen und die erfolgreiche Bereitstellung der Anwendung sicherzustellen,
- Verständnis der Prinzipien der Softwarearchitektur und ihrer Rolle bei der Entwicklung skalierbarer und wartbarer Data-Science-Anwendungen zu demonstrieren, und
- ihre Fähigkeit, Anwendungen in Docker-Containern zu verpacken und mit Hilfe von Kubernetes zu deployen, warten und zu betreiben, demonstrieren.

Prüfungsleistung

- Erfahrungsbericht (abzugeben in der Gruppe)
- Einzelgespräche
- Peer Assessment
- Quellcode-Analyse