320.231 (16S) MW 1 Spatial Data Science

Sommersemester 2016

Anmeldefrist abgelaufen.

Erster Termin der LV
02.03.2016 14:00 - 16:00 V.1.02 On Campus
... keine weiteren Termine bekannt

Überblick

Lehrende/r
LV-Titel englisch MW1 Spatial Data Science
LV-Art Vorlesung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 7
Organisationseinheit
Unterrichtssprache Deutsch
LV-Beginn 02.03.2016

Zeit und Ort

Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

Die Schaffung von Kompetenzen geographische Daten mit passender Software analysieren und visualisieren zu können, sowie auf deren Grundlage Vorhersagen und Empfehlungen machen zu können.

Lehrmethodik inkl. Einsatz von eLearning-Tools

Vortrag, Diskussionen, Präsentationen, freiwillige Übungen zu Hause, Videoaufzeichnungen, Webinare, Verständnischecks

Fernstudium Informationen:

Es werden viele Features von Moodle eingesetzt.

Aufnahmebedingungen

keine

Inhalt/e

Eine "Spatial Data Science" (http://giscience.aau.at/content/dkg-2015) ist die Kopplung einer "Data Science" (http://www.boozallen.com/insights/2015/12/data-science-field-guide-second-edition) mit der "GIScience" (http://www.tandfonline.com/toc/tgis20/current), die als Anwendungskontext eine "Data-driven Geography" (nach Harvey J. Miller & Michael F. Goodchild (2014): Data-driven geography. In: GeoJournal 80 (4), 449-461, DOI 10.1007/s10708-014-9602-6) haben. 

Die Vorlesung gliedert sich in drei große Teile. 

Im ersten Teil werden die Begriffe, die heute aktuell in einer Angewandten Geographischen Datenwissenschaft verwendet werden, wie Big Data, Locational Analytics, Geographical Data Mining etc. vorgestellt und die damit bezeichneten Objekte und Vorgangsweisen an Beispielen erläutert. Grundlegende Konzepte einer Datenwissenschaft werden eingeführt und jeweils der räumliche Kontext dazu besprochen. Im Hauptteil der Vorlesung werden die Methoden, die in einer aktuellen Datenwissenschaft Verwendung finden, vorgestellt. Pro Vorlesungseinheit wird eine Methode, wie etwa die unüberwachte Klassifikation, die lineare Regression oder die Faktorenanalyse, vorgestellt und anhand eines instruktiven praktischen Beispiels erläutert. Das Beispiel wird praktisch mit einer passenden Software durchgerechnet und die Ergebnisse visualisiert. Dabei wird vor allem auf die Deskription, Prädiktion und Präskription als Grundfunktionen der Datenwissenschaft Wert gelegt. Der dritte Teil zeigt die aktuellen Ansätze und Werkzeuge zur Bearbeitung von Big Data, wie den MapReduce Algorithmus, Hadoop oder NoSQL Datenkonzepte. Und es wird über Datenethik, Open und Linked Data sowie über die Zukunft einer „Digitalen Geographie“ gesprochen.

Schlagworte

Data Science, Location Analytics, Data Mining, Deskription, Prädiktion, Präskription, Big - Open - Linked Data

Lehrziel

Das Ziel der Vorlesung ist ein Verständnis der Grundideen einer "Data-driven Geography", die Kenntnis von Grundkonzepten und allen Basismethoden in Theorie und im Proseminar auch in der Praxis sowie die Schaffung der Fähigkeit ein Locational Analytics Projekt durchzuführen.

Erwartete Vorkenntnisse

Sinnvoll sind Grundkenntnisse in angewandter Statistik, Geoinformationswissenschaft und räumlicher Analyse.

Sonstige Studienbehelfe

Moodle, Programme, Internet Dienste, Open Data, Literatur und Videos.

Literatur

Wird in der Vorlesung bekannt gegeben. Als Einführung sollte folgender Artikel gelesen werden: Harvey J. Miller & Michael F. Goodchild (2014): Data-driven geography. In: GeoJournal 80 (4), 449-461, DOI 10.1007/s10708-014-9602-6 .

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsinhalt/e

Vorgetragene Inhalte, Literatur und die Informationen aller verwendeten Materialien, die in Moodle dokumentiert sind.

Beurteilungskriterien/-maßstäbe

Am Ende jeder Vorlesung werden Testfragen zur Selbstevaluation gestellt, die nicht bewertet werden. Zur Erlangung eines Zeugnisses ist eine Online Slot-Prüfung von 90 Minuten erforderlich.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Masterstudium Geographie und Regionalforschung: Geographische Systemwissenschaften (SKZ: 855, Version: 13W.1)
    • Fach: MW1 Modellierung komplexer geographischer Systeme (Wahlfach)
      • Modellierung komplexer geographischer Systeme ( 0.0h PS, SE, VO / 12.0 ECTS)
        • 320.231 MW 1 Spatial Data Science (2.0h VO / 4.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Wintersemester 2016/17
  • 320.231 VO MW 1 Spatial Data Science I (2.0h / 4.0ECTS)