Sem III (Data Science) - N1

Question 1

Was versteht man unter Data Science?

Answer 1

Data Science befasst sich mit dem Analysieren von Daten und beinhaltet Schritte wie Beschaffung, Aufbereitung, Exploration, Modellierung und Interpretation.
Data Science занимается анализом данных и включает такие этапы, как сбор, подготовка, исследование, моделирование и интерпретация.

Question 2

Warum ist Data Science eine Querschnittsdisziplin?

Answer 2

Sie kombiniert Programmierung, Statistik, Machine Learning und Fachwissen aus einem Anwendungsbereich.
Она объединяет программирование, статистику, машинное обучение и предметную экспертизу из конкретной области применения.

Question 3

Was sind typische Datenquellen?

Answer 3

Daten kommen etwa aus Log‑Files, Texten (z. B. E‑Mails, Tweets), Sensoren, Bildern oder Videos.
Данные поступают, например, из лог‑файлов, текстов (например, электронных писем, твитов), датчиков, изображений или видео.

Question 4

Welche Formen der Datenstruktur gibt es?

Answer 4

Man unterscheidet strukturierte, semi‑strukturierte, quasi‑strukturierte und unstrukturierte Daten.
Различают структурированные, полу‑структурированные, квази‑структурированные и неструктурированные данные.

Question 5

Welche Einschränkungen können bei Datenanalysen auftreten?

Answer 5

Daten sind nicht objektiv; sie liefern nur Annäherungen. Methoden, Stichprobenauswahl, fehlende Werte oder Bias beeinflussen das Ergebnis.
Данные не являются объективными; они дают лишь приближения. Используемые методы, выборка, пропущенные значения или смещения влияют на результат.

Question 6

Welche typischen Fehlerquellen in Daten gibt es?

Answer 6

Fehlende Werte, falsche Beschriftungen, Inkonsistenz und Tippfehler sind häufige Probleme.
Частыми проблемами являются пропущенные значения, неверные метки, несогласованность и опечатки.

Question 7

Was bezeichnet der Begriff „Big Data“?

Answer 7

Er steht für Datenmengen, die zu groß oder komplex für klassische Datenbanksysteme sind, und umfasst zugleich ein kulturelles Phänomen im Umgang mit Daten.
Он обозначает объёмы данных, которые слишком велики или сложны для классических СУБД, и одновременно культурный феномен обращения с данными.

Question 8

Was versteht man unter „Datafication“?

Answer 8

Damit ist gemeint, dass immer mehr Lebensbereiche in Form von Daten erfasst und quantifiziert werden.
Под этим понимается, что всё больше сфер жизни фиксируется и количественно описывается в виде данных.

Question 9

Worin besteht „Maschinelles Lernen“?

Answer 9

ML optimiert Modellparameter mithilfe von Trainingsdaten, um Vorhersagen zu treffen oder Wissen aus Daten zu gewinnen.
Машинное обучение оптимизирует параметры моделей с помощью обучающих данных, чтобы делать прогнозы или извлекать знания из данных.

Question 10

Welche Hauptaufgaben hat die Statistik in der Datenanalyse?

Answer 10

Deskription, Exploration sowie Induktion für wahrscheinlichkeitstheoretische Rückschlüsse.
Описательная статистика, исследовательский анализ и индукция для вероятностных выводов.

Question 11

Was ist mit „Statistical Computing“ gemeint?

Answer 11

Die Verbindung von statistischen Methoden, Computertechnologie und Fachwissen, um Daten in verwertbare Informationen zu überführen.
Это сочетание статистических методов, компьютерных технологий и предметной экспертизы для превращения данных в полезную информацию.

Question 12

Warum ist Domänenwissen in der Datenwissenschaft wichtig?

Answer 12

Es hilft, Fragestellungen und Ergebnisse korrekt zu interpretieren und sinnvolle Analysen durchzuführen.
Оно помогает правильно формулировать вопросы, интерпретировать результаты и проводить осмысленный анализ.

Question 13

Nenne drei Beispiele für praktische Anwendungen von Data Science.

Answer 13

Wettervorhersage, Suchmaschinen, autonome Fahrzeuge.
Прогноз погоды, поисковые системы, автономные транспортные средства.

Question 14

Was ist ein Datensatz im Kontext der Datenanalyse?

Answer 14

Eine strukturierte Sammlung von Daten (z.B. in Tabellenform) mit Zeilen und Spalten.
Это структурированный набор данных (например, таблица) с строками и столбцами.

Question 15

Welche drei Datenkategorien werden häufig unterschieden?

Answer 15

Strukturierte, quasi‑strukturierte und unstrukturierte Daten.
Структурированные, квази‑структурированные и неструктурированные данные.

Question 16

Wodurch zeichnen sich strukturierte Daten aus?

Answer 16

Sie liegen in einem festen Format (z.B. Tabellen, CSV) mit klar definierten Spalten und Datentypen.
Они представлены в фиксированном формате (например, таблицы, CSV) с чётко определёнными столбцами и типами данных.

Question 17

Was versteht man unter quasi‑strukturierten Daten?

Answer 17

Daten mit uneinheitlichem, teils festgelegtem Format (z.B. Logfiles, Clickstreams).
Данные с неоднородным, частично фиксированным форматом (например, лог‑файлы, кликовые потоки).

Question 18

Was sind unstrukturierte Daten?

Answer 18

Daten ohne ein einheitliches Schema (z.B. Bilder, Videos, PDFs).
Данные без единой схемы (например, изображения, видео, PDF‑файлы).

Question 19

Warum ist die Graphentheorie in der Data Science wichtig?

Answer 19

Sie hilft, Beziehungen und Muster in vernetzten Daten (z.B. soziale Netzwerke) zu erkennen.
Она помогает выявлять связи и паттерны в сетевых данных (например, в социальных сетях).

Question 20

Was ist „supervised learning“?

Answer 20

Ein maschinelles Lernverfahren, bei dem Modelle anhand bekannter Eingabe‑Ausgabe‑Beispiele trainiert werden.
Машинное обучение с учителем, при котором модели обучаются на известных парах «вход–выход».

Question 21

Welche Rolle spielt Datenanalyse im wissenschaftlichen Arbeitsprozess?

Answer 21

Sie liefert objektive Informationen, unterstützt Hypothesenbildung und ermöglicht fundierte Entscheidungen.
Она предоставляет объективную информацию, поддерживает формирование гипотез и позволяет принимать обоснованные решения.

Question 22

Was ist das übergeordnete Lernziel der Vorlesung?

Answer 22

Die Studierenden sollen die Phasen eines Datenanalyse‑Prozesses sowie deren ZieleundMeilensteine sicher beherrschen.
Студенты должны уверенно владеть этапами процесса анализа данных, а также их целями и контрольными точками.

Question 23

Welche Fach‑ und Soft‑Skills sind für Data Science laut Skript nötig?

Answer 23

Informatik, Mathematik, Statistik, MachineLearning, Domänenwissen, Kommunikation&Präsentation, Datenvisualisierung.
Информатика, математика, статистика, машинное обучение, предметная область, коммуникация и презентация, визуализация данных.

Question 24

Nennen Sie die sechs Schritte des CRISP‑DM‑Modells.

Answer 24

Geschäftsverständnis →Datenverständnis →Datenpräparation →Modellierung →Evaluation →Bereitstellung.
Понимание бизнеса →понимание данных →подготовка данных →моделирование →оценка →внедрение.

Question 25

**Wofür steht das OSEMN‑Prinzip?**

Answer 25

Obtaining, Scrubbing, Modeling, Exploring, Interpreting. Получение, очистка, моделирование, исследование, интерпретация.

Question 26

**Welche Phase kostet typischerweise die meiste Zeit?**

Answer 26

Datenbereinigung (Scrubbing) dominiert den Aufwand. Больше всего времени обычно занимает очистка данных.

Question 27

**Kerninhalt von Phase I „Erkundung“?**

Answer 27

Eingrenzung des Untersuchungsziels und Formulierung der Forschungsfrage im relevanten Kontext. Уточнение цели исследования и формулировка исследовательского вопроса в соответствующем контексте.

Question 28

**Vier zu berücksichtigende Kontexte in Phase I?**

Answer 28

Fachlich, technologisch, rechtlich, gesellschaftlich/ethisch. Предметный, технологический, правовой, социально‑этический контекст.

Question 29

**Welcher wesentliche Meilenstein schließt Phase I ab?**

Answer 29

Eine klar definierte Forschungsfrage mitsamt grobem Arbeitsplan. Чётко сформулированный исследовательский вопрос и приблизительный план работ.

Question 30

**Leitfragen der Phase II „Datenbeschaffung“?**

Answer 30

Datenmenge, Betrachtungszeitraum, vorhandenes Format, benötigte Struktur und mögliche Aggregation. Объём данных, период наблюдения, существующий формат, требуемая структура и возможная агрегация.

Question 31

**Was bedeutet „Inventarisierung“ in Phase II?**

Answer 31

Systematische Liste aller Datenquellen mit Angaben zu Verfügbarkeit, Erhebung oder Kauf. Систематический перечень всех источников данных с указанием доступности, способа получения или покупки.

Question 32

**Erklären Sie ETLT vs. ELT.**

Answer 32

ETLT: Extract‑Transform‑Load‑Transform; ELT: Extract‑Load‑Transform – unterscheidet Reihenfolge von Transformation und Laden. ETLT: извлечение – трансформация – загрузка – трансформация; ELT: извлечение – загрузка – трансформация — различаются порядком трансформации и загрузки.

Question 33

**Warum sollten Rohdaten unverändert archiviert werden?**

Answer 33

Für Reproduzierbarkeit und spätere Versionierung der Analyseschritte. Для воспроизводимости и последующего контроля версий аналитических шагов.

Question 34

**Drei typische Aufgaben der Datenbereinigung.**

Answer 34

Ausreißer entfernen, fehlende/inkonsistente Werte behandeln, Formate normalisieren. Удаление выбросов, обработка отсутствующих/неконсистентных значений, нормализация форматов.

Question 35

**Zentrale Qualitätsfragen in Phase III?**

Answer 35

Genügend Daten? Repräsentieren sie die Zielpopulation? Entsprechen sie den Erwartungen? Достаточно ли данных? Представляют ли они целевую популяцию? Соответствуют ли ожиданиям?

Question 36

**Beispiel für Dateninkonsistenz laut Skript.**

Answer 36

Viermonatige Lücken in einer Jahres‑Zeitreihe eines Aktienkurses. Четырёхмесячные пробелы в годовом ряду цен акций.

Question 37

**Warum ist Granularität wichtig?**

Answer 37

Auflösung muss Analyseanforderungen entsprechen (z. B. Millisekunden‑ statt Minuten‑Timestamps). Разрешение должно соответствовать требованиям анализа (например, миллисекунды вместо минутных меток времени).

Question 38

**Zwei empfohlene Big‑Data‑ETL‑Tools.**

Answer 38

Apache Hadoop/MapReduce und Apache Spark. Apache Hadoop/MapReduce и Apache Spark.

Question 39

**Nennen Sie drei Datenschutzprinzipien für die Datenpräparation.**

Answer 39

Datensparsamkeit, Anonymisierung, Zweckbindung. Минимизация данных, анонимизация, целевое использование.

Question 40

**Was ist das Hauptziel der EDA?**

Answer 40

Datenverteilung verstehen und Hypothesen verfeinern. Понять распределение данных и уточнить гипотезы.

Question 41

**Welche zwei Kernaktivitäten umfasst EDA?**

Answer 41

Grafiken erstellen, Kennzahlen berechnen. Построение графиков и расчёт показателей.

Question 42

**Warum plant man ein Modell in Phase IV?**

Answer 42

Um reale Zusammenhänge mathematisch abzubilden. Чтобы математически отразить реальные взаимосвязи.

Question 43

**Zwei Beispiele für einfache vs. komplexe Zusammenhänge?**

Answer 43

Assoziation vs. Korrelation/Kausalität. Ассоциация против корреляции/каузальности.

Question 44

**Nenne drei EDA‑Tools.**

Answer 44

R, Python, Octave. R, Python, Octave.

Question 45

**Welche Datensätze nutzt Phase V?**

Answer 45

Training, Fitting, Test. Обучающая, подгоняющая и тестовая выборки.

Question 46

**Zweck des Trainingssatzes?**

Answer 46

Modellparameter initial lernen. Первичное обучение параметров модели.

Question 47

**Wozu dient der Testsatz?**

Answer 47

Modell­güte validieren (Scoring). Проверка качества модели (оценка).

Question 48

**Vier typische Modelltechniken?**

Answer 48

Clustering, Klassifikation, Regression, Dimensionalitätsreduktion. Кластеризация, классификация, регрессия, уменьшение размерности.

Question 49

**Wann gilt ein Modell als „Fit“?**

Answer 49

Es bildet Realität verlässlich ab. Модель надёжно отражает реальность.

Question 50

**Was charakterisiert „Underfit“?**

Answer 50

Modell verfehlt Grundstruktur der Daten. Модель не улавливает основную структуру данных (недообучение).

Question 51

**Was ist „Overfit“?**

Answer 51

Modell passt zu stark auf Trainingsdaten. Модель чрезмерно подогнана под обучающие данные (переобучение).

Question 52

**Wichtigste Voraussetzung für gute Modellierung?**

Answer 52

Fachwissen des Analysten. Профессиональные знания аналитика.

Question 53

**Hauptaufgaben der Interpretation (Phase VI)?**

Answer 53

Schlussfolgern, Bedeutung bewerten, dokumentieren. Делать выводы, оценивать значимость, документировать.

Question 54

**Drei typische Interpretationsfragen?**

Answer 54

Erfolg? Limitationen? Kontextbewertung? Успех? Ограничения? Оценка контекста?

Question 55

**Was braucht man vor der Veröffentlichung?**

Answer 55

Vollständige Prozessdokumentation. Полная документация процесса.

Question 56

**Zwei Veröffentlichungsformen?**

Answer 56

Präsentation, schriftlicher Bericht. Презентация, письменный отчёт.

Question 57

**Ziel der Operationalisierung (Phase IX)?**

Answer 57

Modell auf neue Kontexte anwenden. Применить модель к новым контекстам.

Question 58

**Warum kontinuierliche Evaluation nach Deployment?**

Answer 58

Modelgüte langfristig sichern. Долгосрочно обеспечивать качество модели.

Question 59

**Zwei mögliche Folge­felder der Analyse?**

Answer 59

Produktentwicklung, wissenschaftliche Studien. Разработка продуктов, научные исследования.

Question 60

**Was untersucht die philosophische Disziplin Ethik?**

Answer 60

Reflexion über gutes Leben und richtiges Handeln. Размышление о хорошей жизни и правильных поступках.

Question 61

**Wie unterscheidet sich Moral von Ethik?**

Answer 61

Moral beschreibt gelebte Regeln; Ethik analysiert und begründet sie. Мораль описывает существующие правила; этика их анализирует и обосновывает.

Question 62

**Welches Kennzeichen hat Recht gegenüber Moral?**

Answer 62

Durchsetzbar mittels staatlicher Strafe. Право обеспечивается государственным принуждением.

Question 63

**Nenne die drei Hauptfunktionen der Ethik.**

Answer 63

Deskriptiv, normativ, metaethisch. Дескриптивная, нормативная, метаэтическая функции.

Question 64

**Welche Grundfunktionen erfüllt Moral?**

Answer 64

Ordnung, Abgrenzung, freiwillige Selbstbindung. Порядок, разграничение, добровольное самоограничение.

Question 65

**Zentrales Spannungsfeld menschlichen Handelns laut Ethik?**

Answer 65

Autonomie vs. Heteronomie. Автономия против гетерономии.

Question 66

**Was lehren teleologische Ansätze?**

Answer 66

Beurteilen Handlungen nach ihren Folgen. Оценивают поступки по их последствиям.

Question 67

**Worauf fokussiert die deontologische Ethik?**

Answer 67

Pflichten und intrinsische Rechte. На обязанностях и неотъемлемых правах.

Question 68

**Kerngedanke der Tugendethik?**

Answer 68

Streben nach einem gelungenen Leben durch Charaktertugenden. Стремление к достойной жизни через развитие добродетелей характера.

Question 69

**Makro‑, Meso‑ und Mikro‑Ebene beschreiben was?**

Answer 69

Gesellschaftliche, institutionelle und individuelle Ethikebenen. Общественный, институциональный и индивидуальный уровни этики.

Question 70

**Wer prägte die aristotelische Tugendethik?**

Answer 70

Aristoteles – Übung formt Tugenden. Аристотель – практика формирует добродетели.

Question 71

**Welches Prinzip definiert Kant?**

Answer 71

Kategorischer Imperativ. Категорический императив.

Question 72

**Ziel des Utilitarismus nach Bentham/Mill?**

Answer 72

Maximierung des Glücks aller Betroffenen. Максимизация счастья всех затронутых лиц.

Question 73

**Wofür steht die Diskursethik von Habermas?**

Answer 73

Herrschaft des besseren Arguments im idealen Dialog. Власть лучшего аргумента в идеальном диалоге.

Question 74

**Existenzialisten betonen welche Verantwortung?**

Answer 74

Der Mensch schafft Sinn selbst. Человек сам создаёт смысл.

Question 75

**Grenzt Ethik verbindliche Gesetze vor?**

Answer 75

Nein, sie bietet Optionen, kein Zwangskatalog. Нет, этика предлагает варианты, не является сводом принуждения.

Question 76

**Was ist Value Sensitive Design?**

Answer 76

Einbettung menschlicher Werte in den gesamten Software‑Prozess. Интеграция человеческих ценностей во весь процесс разработки ПО.

Question 77

**Ziel der Value Sensitive Alternative?**

Answer 77

Ständige Suche nach noch wert‑sensitiveren Lösungen. Постоянный поиск ещё более ориентированных на ценности решений.

Question 78

**Nenne vier Strömungen technikbezogener Ethik.**

Answer 78

Technik‑, Informations‑, Computer‑, Digitale Ethik. Этика техники, информационная, компьютерная и цифровая этика.

Question 79

**Womit befasst sich Maschinenethik?**

Answer 79

Moralisches Verhalten von Maschinen gegenüber Menschen/Maschinen. Моральное поведение машин по отношению к людям и другим машинам.

Question 80

**Was untersucht Roboterethik?**

Answer 80

Ob Roboter moralische Agenten oder Patienten sind. Являются ли роботы моральными агентами или пациентами.

Question 81

**Wichtigste Themen für Data‑Science‑Ausbildung laut NAS?**

Answer 81

Ethik‑Kodizes, Datenschutz, Forschungsethik, „Schrott“-Wissenschaft, Bias. Кодексы этики, защита данных, исследовательская этика, «псевдонаука», предвзятость.

Question 82

**Zentrale Forderung des ACM Code of Ethics?**

Answer 82

Wohl der Allgemeinheit Vorrang vor Eigennutz. Благо общества важнее личной выгоды.

Question 83

**Welche Kompetenz betont Art. 1 der GI‑Leitlinien?**

Answer 83

Ständige Verbesserung der Fachkompetenz. Постоянное совершенствование профессиональной компетентности.

Question 84

**Warum verlangt Art. 9 GI Zivilcourage?**

Answer 84

Schutz der Menschenwürde auch gegen geltende Normen. Защита человеческого достоинства даже вопреки действующим нормам.

Question 85

**Welches Hauptziel verfolgt das Data Ethics Framework des UK‑DCMS?**

Answer 85

Immer mit klarem Nutzerbedarf beginnen und öffentlichen Nutzen schaffen. Всегда начинать с чёткого запроса пользователя и создавать общественную пользу.

Question 86

**Nenne zwei der sieben Google‑KI‑Prinzipien.**

Answer 86

(1) Gesellschaftlicher Nutzen, (2) Vermeidung von Bias. (1) Общественная польза, (2) избегание предвзятости.

Question 87

**Was mahnt der „Hippokratische Eid“ für Finanzmodelle?**

Answer 87

Modelle nie über die Realität stellen und ihre Annahmen offenlegen. Никогда не ставить модели выше реальности и раскрывать их допущения.

Question 88

**Erste Regel der zehn Big‑Data‑Gebote nach Zook et al.?**

Answer 88

Anerkenne: Daten repräsentieren Menschen und können ihnen schaden. Признай: данные представляют людей и могут им навредить.

Question 89

**Was bedeutet Bias in ML‑Modellen?**

Answer 89

Systematische Abweichung durch zu simples Modell oder verzerrte Daten. Систематическое отклонение из‑за слишком простой модели или искажённых данных.

Question 90

**Was ist Varianz?**

Answer 90

Hohe Streuung der Modellvorhersagen durch Überanpassung. Большая разбросанность предсказаний модели из‑за переобучения.

Question 91

**Wie lässt sich hohe Varianz verringern?**

Answer 91

Modell vereinfachen oder mehr Daten sammeln. Упростить модель или собрать больше данных.

Question 92

**Definiere Underfit.**

Answer 92

Modell zu simpel → erfasst Datenkomplexität nicht. Модель слишком проста → не отражает сложность данных.

Question 93

**Definiere Overfit.**

Answer 93

Modell zu komplex → lernt Rauschen statt Muster. Модель слишком сложна → учит шум вместо закономерностей.

Question 94

**Unterschied direkte vs. indirekte Diskriminierung.**

Answer 94

Direkt: Entscheidung auf sensitives Attribut; indirekt: auf korrelierendes Nicht‑sensitives Attribut. Прямая: решение основывается на чувствительном признаке; косвенная: на коррелирующем нечувствительном признаке.

Question 95

**Zwei Techniken gegen Diskriminierung im Data Mining.**

Answer 95

Rule Protection und Rule Generalization. Защита правил и их обобщение.

Question 96

**Vier Phasen des Value‑Sensitive Design.**

Answer 96

Value Discovery, Value Conceptualization, Empirical Investigation, Technical Investigation. Выявление ценностей, концептуализация, эмпирическое исследование, техническое исследование.

Question 97

**Was schützt die DSGVO laut Art. 1?**

Answer 97

Grundrechte und ‑freiheiten natürlicher Personen bei Datenverarbeitung. Основные права и свободы физических лиц при обработке данных.

Question 98

**Kernprinzip des deutschen Datenschutzes?**

Answer 98

Recht auf informationelle Selbstbestimmung. Право на информационное самоопределение.

Question 99

**Wie definiert Art. 4 (1) DSGVO „personenbezogene Daten“?**

Answer 99

Jede Information zu einer identifizierten oder identifizierbaren Person. Любая информация об идентифицированном или идентифицируемом лице.

Question 100

**Drei geschützte Persönlichkeits‑Sphären.**

Answer 100

Sozial‑/Individual‑, Privat‑ und Intimsphäre. Социальная/индивидуальная, частная и интимная сферы.