320.600 (19W) Spatial Data Science (MW 1)
Überblick
- Lehrende/r
- LV-Titel englisch Spatial Data Science (MW 1)
- LV-Art Vorlesung
- Semesterstunde/n 2.0
- ECTS-Anrechnungspunkte 4.0
- Anmeldungen 13
- Organisationseinheit
- Unterrichtssprache Deutsch
- mögliche Sprache/n der Leistungserbringung Deutsch , Englisch
- LV-Beginn 03.10.2019
- eLearning zum Moodle-Kurs
Zeit und Ort
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.
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.
Als Voraussetzungen zum Besuch der LV sind Grundkenntnisse in angewandter Statistik, Geoinformationswissenschaft und räumlicher Datenanalyse sinnvoll.
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.
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
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 .
Weitere Literatur wird während der Vorlesung bekannt gegeben.
Link auf weitere Informationen
http://spatialdatascience.blogspot.com/2019/Prüfungsinformationen
Prüfungsmethode/n
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.
Prüfungsinhalt/e
Vorgetragene Inhalte, Literatur und die Informationen aller verwendeten Materialien, die in Moodle dokumentiert sind.
Beurteilungskriterien/-maßstäbe
Es werden Multiple Choice und offene Fragen gestellt. Es sind maximal 100 Punkte zu erreichen. 50 % der Punkte müssen für eine positive Absolvierung erreicht werden.
Beurteilungsschema
Note BenotungsschemaPosition 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)
- 320.600 Spatial Data Science (MW 1) (2.0h VO / 4.0 ECTS)
-
Modellierung komplexer geographischer Systeme (
0.0h PS, SE, VO / 12.0 ECTS)
-
Fach: MW1 Modellierung komplexer geographischer Systeme
(Wahlfach)