Makro-Didaktik

Ziel WS 2018: Eine gut durchstrukturierte LehrLernveranstaltung für Gruppen

• keine Lehr-, sondern eine Lernveranstaltung ("Flipped Classroom"): Stoff wird weitestgehend durch 3rd Party-Lernmaterial exponiert ("vorgelesen") und teilweise auch schon im Selbststudium von den Studierenden rezipiert ("gehört") ... in Präsenz dann gemeinsames Lernen in Gruppen
• gleichzeitiges Lernen: viele einzelne Alleinlerner in geringem Kontakt; Vorlesung; "Menge"
• gemeinsames Lernen: Menschen mit Kontakt zueinander; gegenseitige Unterstützung, Kritik, Mitziehen; Menschen in Kontakt; "Gruppe"

Methode: SGL-Lernveranstaltung

• vom Tutor begleitete Präsenz
• Auftakt-Veranstaltung plus drei Hackathons in ca 4-wöchigem Abstand
• dazwischen Selbstlernphasen

Aufgabe des Dozenten:

• Lernen in einer Präsenzgruppe vorstrukturieren, rhythmisieren, synchronisieren, begleiten, Feedback geben
• Gruppendynamik auch sozial unterstützen; angstfreies, experimentierfreudiges Lernklima schaffen

Medien

• Selbstlern-Tutorials, wie sie z.B. unter Semesterablauf aufgelistet sind
• Plattform: Jupyter lokal, Server
• TBD prüfen: Kaggle als Plattform?

Setting

• ein Dozent
• idealerweise ein studentischer Tutor
• Lernaufwand: 5 ECTS = 5*30h = 150h Lernaufwand brutto incl. Organistion; netto = 100h

Python oder R?

Eine quasi-religiöse Frage. Wie im Mittelalter auch entscheidet hier der Landesfürst. Setzung: In unserem Kurs arbeiten wir mit Python.

• Kaggle und Google empfehlen Python. R spielt dort nur noch eine untergeordnete Rolle.
• Nur Python bietet fortgeschrittene Techniken der Datenintegration und -Vorverarbeitung.
• Bzgl. Syntax und Logik besteht eine direkte Anschlussfähigkeit an Programmiersprachen in einem (Bindestrich-) Informatikstudium.
• Python ist erforderlich für Tensorflow, IoT u.V.m.
• R-Bibliothen sind aus Python heraus ansprechbar. (Viele? alle? TBD: Schnittstellen prüfen, insbes. auch bzgl. Datenmodellen)
• programmatische Anschlussfähigkeit an Raspberry-Pi, "Internet of Things (IuT)"-Labor u.V.m.

Nachtrag 2018-10-01: Die Entscheidung für Python war goldrichtig: Gespräche mit Praktikern haben ergeben, dass ohne Python parktisch nichts geht.

HAW LA Setting: Lernaufwands-Schätzung

4 SWS = 4*14h = 56 UE a 45min Präsenz, d.h. Anwesenheit wird dringend empfohlen

16 Studierende

100h verteilt auf

• 42h Präsenz = 56 UE * 3/4h
  • 4UE Vorbesprechung = 3h
    • Erste Semesterwoche, Anfang Oktober
  • 3 * 16UE = 48UE Hackathons
  • über das Semester verteilt: 4 UE individuelles Feedbak, optional, Rückfragen etc. = 3h
  • ggf. unterstützt durch Tutoren
• 58h Vor- und Nachbereitung
  • fremdstrukturiertes, selbstgesteuertes Lernen (SGL)
  • Tutorials
  • Prüfungsvorbereitung oder Studienarbeit
• 50h vertiefendes (oder lückenfüllendes) selbstverantwortetes Studium und Studien-Organisation

mögliche Prüfungsformen

• klassische mündliche Prüfung 15 Minuten
  • wenige Tage nach HKT3
  • 7 min Präsentation des Kernels der Competition im HKT3, dann Diskussion mit den Prüfern
  • geht nur bei bis zu 12 Studierenden, verteilt auf 2 Tage
• Studienarbeit
  • mindestens 4 Wochen nach dem HKT3
  • gut kommentierter Kaggle-Kernel

lokale Prüfung in Verantwortung des Modulverantwortlichens (Professor)

HAW LA Setting: Hackathons (HKT)

Orga

• jeweils Fr 16-21, Sa 9-13, 14-17
• jeweils 12 Zeitstunden = 16 UE

Vorbereitung jeweils 15h Selbstarbeit pro HKT

• ggf. Zusatzaufwand für Python A2-Niveau für Programmier-Neulinge

Semesterablauf: Inhalte und Verzahnung mit Hackathons

(Dieser Absatz: Stand 2018-04-29T2000)

Wiederholung Statistik

• Literatur en masse, z.B. auch
  • https://mitp.de/IT-WEB/Statistik/Statistics-Done-Wrong-Deutsche-Ausgabe.html
  • https://www.statisticsdonewrong.com/data-analysis.html

Vorbereitung auf HKT1

• evtl. was zum lesen um sich mit Data science allgemein auseinander zu setzen https://www.statisticsdonewrong.com/data-analysis.html
• Tutorial für Python
  • https://www.datacamp.com/courses/intro-to-python-for-data-science
  • Zeit: 4h
• Spickzettel für Operatoren und Darstellung ( "hello" <String, 'hello' <auch String):
  • https://github.com/adambard/learnxinyminutes-docs/blob/master/python.html.markdown
• Python Primer for Java Developers
  • https://lobster1234.github.io/2017/05/25/python-java-primer/
  • Vergleich der Syntax Java <-> Python
• Link zur Installationshilfe: https://blog.datarobot.com/getting-up-and-running-with-python Installation der IDE (Anaconda)
• https://www.codecademy.com/learn/learn-python (Von Kaggle empfohlen, von uns aber abgelehnt wegen zu strikter Lernpfad-Vorgabe)

Vorbereitung auf HKT2

• Google Tutorial https://developers.google.com/machine-learning/crash-course/
  • 15h
  • ggf. Ergänzung: TensorFlow Einstiegstutorial: https://www.tensorflow.org/get_started/eager
• 5h selbstständiges Lernen
  • Lernen und verstehen von Glossar-Begriffen
    • http://www.datascienceglossary.org/
    • https://developers.google.com/machine-learning/crash-course/glossary
    • mit Bildern/Beispielen: https://www.analyticsvidhya.com/glossary-of-common-statistics-and-machine-learning-terms/
  • als Ergänzung:
    • Python Data Science Handbook: https://jakevdp.github.io/PythonDataScienceHandbook/
    • über https://mybinder.org/ die einzelnen notebooks einbinden
• Kaggle Competitions (Anfänger):
  • https://www.kaggle.com/c/titanic
  • https://www.kaggle.com/c/house-prices-advanced-regression-techniques
  • https://www.kaggle.com/c/digit-recognizer

Vorbereitung auf HKT3

• Selbständige Vorbereitung auf Prüfungsleistung
• Evtl. Tutorial zum (Profi?)Umgang mit Kaggle? https://www.kaggle.com/about/competitions

misc

• Harvard: CS109 Data Science
  • 2014 http://cs109.github.io/2014/pages/resources.html
  • 2015 http://cs109.github.io/2015/pages/resources.html
• Für Studenten, die lieber mit Büchern lernen:
  • Machine Learning mit Python und Scikit-Learn und TensorFlow: das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics
    • https://opac.haw-landshut.de/search?bvnr=BV044694981
  • Einführung in Machine Learning mit Python: Praxiswissen Data Science
    • https://opac.haw-landshut.de/search?bvnr=BV044394650
• Alternativen, die nicht im Hochschulbestand sind:
  • Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems
    • https://amzn.to/2HxpBim
  • Machine Learning – kurz & gut: Eine Einführung mit Python, Pandas und Scikit-Learn
    • https://amzn.to/2HztFic

Technik

• Jupyter Notebooks online ausführen und kollaborativ daran arbeiten
  • https://cocalc.com/doc/jupyter-notebook.html
• Jupyter Notebooks von Github direkt online ausführen
  • https://mybinder.org/