- Dozent/in: Daniel Zünd
Agiles Projektmanagement ist eine wesentliche Kompetenz für folgende Module im Bereich Computational and Data Science. In der Arbeitswelt werden viele Vorhaben im Bereich Computational and Data Science als agiles Projekt umgesetzt.
Studierende sollen die Kompetenz erwerben ein kleines oder einfaches Projekt in einer Schlüsselrolle Projektverantwortliche/r, Scrum Master*in, Product Owner*in) zu leiten oder in einem Projekt als Team Mitglied zu arbeiten
Studierende sollen die Kompetenz erwerben ein kleines oder einfaches Projekt in einer Schlüsselrolle Projektverantwortliche/r, Scrum Master*in, Product Owner*in) zu leiten oder in einem Projekt als Team Mitglied zu arbeiten
- Dozent/in: Stefan Roth
Die Studierenden kriegen einen Überblick zum Fachgebiet. Sie lernen grundlegende Machine Learning Modelle anzuwenden.
- Dozent/in: Corsin Capol
- Dozent/in: Annett Mundani
- Dozent/in: Florian Herzog
- Dozent/in: Yves Staudt
- Dozent/in: Lucas Basler
- Dozent/in: Stefan Juon
Das Ziel des Moduls ist Data Science und Informatik in Verbindung mit biologischem Wissen zu nutzen um biologischer Fragestellungen lösen und damit zu neuen Erkenntnissen zu gelangen. Dafür braucht es ein Grundverständnis von Molekularbiologie und von biologischen Prozessen. Dieses Wissen bildet die Grundlage um die Zusammenhänge zwischen biologischen Komponenten und Systemen und den Daten, die dazu erhoben werden, zu verstehen. Einblicke in die Erlangung, Prozessierung, Speicherung und Abruf der verschiedenen Datentypen werden hierbei eine wichtige Rolle spielen. Parallel dazu braucht es ein Verständnis der Prinzipien verschiedener Algorithmen, die in diesem Kontext angewendet werden. Die Kombination des biologischen Wissens mit den bioinformatischen Fähigkeiten ermöglicht es den Studierenden, biologische Daten zu analysieren um biologische Fragestellungen zu beantworten. Insgesamt befähigt das Modul die Studierenden Informatik und Data Science mit biologischem Wissen zu verbinden um sich in einem spannenden interdisziplinären Umfeld zu bewegen.
- Dozent/in: Katja Bärenfaller
- Dozent/in: Ana Petrus
In diesem Kurs wollen wir aus eigenen Daten ein interaktives Visualisierungswerkzeug designen und programmieren. In einer Evaluationsrunde gegen Ende des Kurses wird es weitere Inputs zu Designverbesserungen geben.
- Dozent/in: Michael Burch
- Dozent/in: Helena Jambor
- Dozent/in: Curdin Marxer
- Dozent/in: Yves Staudt
Dieser Kurs bietet eine Einführung in die Programmierung für rechnergestützte Datenwissenschaft und legt einen zusätzlichen Fokus auf das wachsende Feld des Prompt Engineerings. Die Studierenden lernen grundlegende Konzepte moderner Programmiersprachen kennen und erwerben die Fähigkeit, Anwendungen mit dem Einsatz von State-of-the-Art Software Engineering Prinzipien zu programmieren. Zusätzlich vermittelt der Kurs, wie moderne Sprachmodelle durch gezielte Prompt-Formulierung gesteuert und genutzt werden können, um optimale Ergebnisse in AI-gesteuerten Prozessen zu erzielen. Dieser Kurs nutzt die Python Programmiersprache und schliesst eine Einführung in die Techniken des Prompt Engineerings ein.
- Dozent/in: Marco Schmid
- Dozent/in: Daniel Zünd
- Dozent/in: Meike Stöhr
- Dozent/in: Meike Stöhr
- Dozent/in: Antonia Egli
- Dozent/in: Vera Husfeldt
In diesem Kurs entwickeln die Studierenden unter Anleitung des Dozierenden ein eigenes Forschungs- oder Praxisprojekt im Bereich Natural Language Processing (NLP). Aufbauend auf den theoretischen und praktischen Grundlagen aus dem ersten Kurs setzen sie moderne NLP-Techniken gezielt in einem selbst gewählten Anwendungsfall um.
Dabei arbeiten sie an aktuellen Herausforderungen der Sprachverarbeitung, wie Question Answering (QA), Fine-Tuning grosser Sprachmodelle (LLMs), Retrieval-Augmented Generation (RAG), multimodale NLP-Anwendungen oder ethische Fragestellungen. Die Studierenden wenden Methoden zur Datenverarbeitung, Modelltraining und Evaluation an und präsentieren ihre Ergebnisse in einem wissenschaftlichen Bericht.
Dabei arbeiten sie an aktuellen Herausforderungen der Sprachverarbeitung, wie Question Answering (QA), Fine-Tuning grosser Sprachmodelle (LLMs), Retrieval-Augmented Generation (RAG), multimodale NLP-Anwendungen oder ethische Fragestellungen. Die Studierenden wenden Methoden zur Datenverarbeitung, Modelltraining und Evaluation an und präsentieren ihre Ergebnisse in einem wissenschaftlichen Bericht.
- Dozent/in: Corsin Capol
