Explorative Verfahren und Datenvisualisierung

30 Präsenzstunden Vorlesung, 30 Präsenzstunden Praktikum, 45 Stunden Vor-/Nachbereitung des Praktikums, 45 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Grundkenntnisse in deskriptiver Statistik, Datenaufbereitung und Visualisierung auf Bachelor-Niveau.

Lernziele

Die Studierenden erwerben die Fähigkeit,

• mittels explorativer Datenanalyse, Strukturen in Datensätzen aufzudecken und daraus entsprechende Fragestellungen und Hypothesen zur weiteren Analyse zu formulieren und die Erkenntnisse kritisch zu hinterfragen,
• auch komplexe Datenstrukturen sinnvoll zu visualisieren und
• Erkenntnisse über die entsprechende Wahl passender Visualisierungsansätze verständlich darzustellen, zu begründen und zu kommunizieren.

Fach- & Methodenkompetenzen

Die Studierenen

• beschreiben und verstehen grundlegender Verfahren der explorativen Datenanalyse und können diese anwenden.
• verstehen gängige fortgeschrittene Visualisierungsmöglichkeiten für komplexe Datensätze bzw. Fragestellungen und können diese anwenden.
• können geeignete Komponenten zur Kommunikation von Analyseergebnissen mittels Grafiken und (interaktive) Dashboards auswählen und erarbeiten.

Überfachliche Kompetenzen

Die Studierenden

• erwerben die Fähigkeit komplexe Zusammenhänge nachvollziehbar und überprüfbar aufzubereiten und darzustellen.
• erlernen anhand konkreter Fragestellungen die praktische Umsetzung bzw. Anwendung der besprochenen Ansätze.

Der Kurs beschäftigt sich mit grundlegenden Ansätzen und Verfahren der explorativen Datenanalyse und mit (fortgeschrittenen) Datenvisualisierungsverfahren. Dabei sollen Neues und Besonderheiten entdeckt, entsprechende Hypothesen generiert und die Erkenntnisse angemessen und verständlich dargestellt und kommuniziert werden.

• Grundlegende Prinzipien explorativer Datenanalyse (EDA)
• Korrelations- und Ausreißeranalyse
• Verfahren zur Pattern Detection (z.B. Exploratory Projection Pursuit)
• Dimensionsreduktion (z.B. Multidimensional Scaling, Hauptkomponentenanylse, Nonlinear Dimensionality Reduction)
• Verfahren grafischer EDA
• Fortgeschrittene Methoden der Datenvisualisierung (z.B. Parallele Koordinaten und Heat Maps)
• Visualisierungsmöglichkeiten für spezielle Datensituationen (z.B. Netzwerkdaten)
• Interaktive Datenvisualisierung
• Erstellen von Dashboards (z.B. mittels R Shiny)
• Grundlagen kausaler Inferenz

Im Praktikum werden anhand von Aufgaben und Praxisbeispielen Verständnis und praktische Umsetzung geübt. Die Studierenden verwenden dazu auch eine entsprechende Programmiersprache (z.B. R oder Python) und nach Bedarf entsprechende Erweiterungspakete.

Tafel, Folien oder Beamer, Analyticssoftware (z.B. R oder Python)

Literaturliste wird zu Beginn der Veranstaltung bekannt gegeben.

Beispiel-Literatur:

• Kirk (2019): Data Visualisation - A Handbook for Data Driven Design, SAGE Publications Ltd
• Wickham (2016): ggplot2 – Elegant Graphics for Data Analysis, Springer
• Tukey (1977): Exploratory Data Analysis
• Fahrmeir, Hammerle, Tutz (1996): Multivariate statistische Verfahren