Zurück zur Auswahl
63982-01 - Vorlesung: A Practical Introduction to Data Science (4 KP)
| Semester | Frühjahrsemester 2026 |
| Weitere Semesterveranstaltungen zu diesen KP |
63982-01 (Vorlesung) 63982-02 (Übung) |
| Angebotsmuster | Jedes Frühjahrsem. |
| Dozierende | Ivan Dokmanić (ivan.dokmanic@unibas.ch, BeurteilerIn) |
| Inhalt | Data-driven research has established itself as the fourth scientific method, alongside theory, empirical research, and computational science. Data science is the new science of generating knowledge from data. To be precise, rather than a “pure” bona fide science, it is really an amalgam of tools, techniques, and processes from several disciplines—statistics, computer science, signal processing, machine learning, …—chosen to form a powerful toolbox and a set of best practices for modern data analysis. Success stories of data science range from molecular biology where it is used to understand single cell RNA sequencing datasets, over physics where it is used to detect new elementary particles, to governance and policymaking where it is used to visualize, understand, and predict global migration flows. “A Practical Introduction to Data Science” is a first data science course for a varied audience, which emphasizes concrete examples in Python. The prerequisite is that you have some experience with programming in Python. The course covers data visualization principles in Python, relevant fundamentals of statistics and probability with many computational examples, and fundamentals of machine learning and, time permitting, neural networks. |
| Lernziele | - Use python packages to load and handle data in various formats - Understand principles of data visualization; get familiar with python packages for visualization - Gain intuition about the fundamentals of statistics - Randomness, distributions, sampling - Means, averages, deviations, interquartile ranges, … - The law of large numbers, the central limit theorem - The Monte Carlo idea (how do we try complicated things out computationally?) - Statistical inference: confidence intervals, hypothesis testing, p-values - Learn fundamentals of machine learning - Cross-validation - Logistic regression, generalized linear models - neural networks - Gain exposure to handling different data types - Numerical data in tables, images, text |
| Weblink | https://dmi.unibas.ch/de/studium/compute |
| Teilnahmevoraussetzungen | - A first course in Python programming such as those offered at the DMI (62035-01 - Einführung in die Programmierung) |
| Unterrichtssprache | Englisch |
| Einsatz digitaler Medien | kein spezifischer Einsatz |
| Intervall | Wochentag | Zeit | Raum |
|---|---|---|---|
| wöchentlich | Mittwoch | 08.15-10.00 | Alte Universität, Hörsaal -101 |
Einzeltermine
| Datum | Zeit | Raum |
|---|---|---|
| Mittwoch 18.02.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 25.02.2026 | 08.15-10.00 Uhr | Fasnachtsferien |
| Mittwoch 04.03.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 11.03.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 18.03.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 25.03.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 01.04.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 08.04.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 15.04.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 22.04.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 29.04.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 06.05.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 13.05.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 20.05.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Mittwoch 27.05.2026 | 08.15-10.00 Uhr | Alte Universität, Hörsaal -101 |
| Module |
Modul: Anorganische Chemie und Analytik (Bachelorstudium: Chemie) Modul: Applications and Related Topics (Bachelorstudium: Computer Science) Modul: Applications and Related Topics (Bachelor Studienfach: Computer Science) Modul: Chemie (Bachelorstudium: Chemie) Modul: Chemische Biologie (Bachelorstudium: Chemie) Modul: Field Electives in Economics and Public Policy (Masterstudium: Economics and Public Policy) Modul: Humanities and Social Science Coding (Master Studienfach: Digital Humanities) Modul: Informatik (Bachelor Studienfach: Physik) Modul: Interdisziplinäres und Wissenstransfer (Masterstudium: Actuarial Science) Modul: Specific Electives in Data Science and Computational Economics (Masterstudium: Wirtschaftswissenschaften) Modul: Specific Electives in Marketing and Strategic Management (Masterstudium: Wirtschaftswissenschaften) Modul: Technology Field (Masterstudium: Business and Technology) Wahlbereich Aufbaustudium Bachelor Physik: Empfehlungen (Bachelorstudium: Physik) Wahlbereich Bachelor Mathematik: Empfehlungen (Bachelorstudium: Mathematik) Wahlbereich Bachelor Nanowissenschaften: Empfehlungen (Bachelorstudium: Nanowissenschaften) Wahlbereich Grundstudium Bachelor Physik: Empfehlungen (Bachelorstudium: Physik) Wahlbereich Master Mathematik: Empfehlungen (Masterstudium: Mathematik) Wahlbereich Master Physik: Empfehlungen (Masterstudium: Physik) |
| Prüfung | Lehrveranst.-begleitend |
| Hinweise zur Prüfung | Grading will be based on a (computer-based) written exam at the end of the semester. Expected date: tba |
| An-/Abmeldung zur Prüfung | Anm.: Belegen Lehrveranstaltung; Abm.: stornieren |
| Wiederholungsprüfung | keine Wiederholungsprüfung |
| Skala | 1-6 0,5 |
| Belegen bei Nichtbestehen | beliebig wiederholbar |
| Zuständige Fakultät | Philosophisch-Naturwissenschaftliche Fakultät, studiendekanat-philnat@unibas.ch |
| Anbietende Organisationseinheit | Fachbereich Informatik |