Informationen zu den Modulen

Modul (6 Credits)

Energy Data Management and Reproducibility

Englischer Bezeichner
Energy Data Management and Reproducibility
Verantwortlich
Prof. Dr. Florian Ziel
Voraus­setzungen
Siehe Prüfungsordnung.
Workload
180 Stunden studentischer Workload gesamt, davon:
  • Präsenzzeit: 60 Stunden
  • Vorbereitung, Nachbereitung: 90 Stunden
  • Prüfungsvorbereitung: 30 Stunden
Dauer
Das Modul erstreckt sich über 1 Semester.
Qualifikations­ziele

Students

  • have an advanced understanding of reproducible data engineering and its tools
  • master version control, environment isolation, containerization, databases, and CI/CD
  • are able to build fully reproducible, automatically tested data pipelines, especially for energy data
Prüfungs­modalitäten

Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer mündlichen Prüfung (in der Regel: 15-30 Minuten).

Vom Dozierenden wird zu Beginn der Veranstaltung festgelegt, ob durch freiwillige Testate in Form von Miniprojekten, von Abgaben zu Übungsaufgaben, oder anderen Aktivitäten wie z. B. aktive Teilnahme an der Veranstaltung bereits im Vorfeld Punkte für die mündliche Prüfung erworben werden können. Für die Möglichkeit der Anrechnung der Testate muss die mündliche Prüfung unabhängig vom Ergebnis der Testate mindestens mit der Note 4,0 bestanden sein. Ist dies der Fall, so bildet sich die Endnote aus dem Ergebnis der mindestens bestandenen Abschlussprüfung zuzüglich der bereits über die Testate erworbenen Punkte. Die Möglichkeit der Anrechnung der Testate auf die abschließende Prüfungsleistung ist auf maximal 20% der in der abschließenden Prüfung maximal erwerbbaren Punkte beschränkt. Bestandene Testate haben nur Gültigkeit für die Prüfungen, die zu der Veranstaltung im jeweiligen Semester gehören. Es ist unabhängig von der Bearbeitung der freiwilligen Testate möglich, die volle Punktzahl für die modulbezogene Prüfung ausschließlich im Rahmen der abschließenden Prüfung zu erreichen.

Verwendung in Studiengängen
  • BWL EaF MasterWahlpflichtbereich 1.-3. FS, Wahlpflicht
  • ECMX MasterWahlpflichtbereichME5 Economics 1.-3. FS, Wahlpflicht
  • GOEMIK MasterWahlpflichtbereich Bereich Betriebswirtschaftslehre 1.-3. FS, Wahlpflicht
  • MuU MasterWahlpflichtbereich IIIWahlpflichtbereich III B.: Informationssysteme für Märkte und Unternehmen 1.-3. FS, Wahlpflicht
  • VWL MasterWahlpflichtbereich II 1.-3. FS, Wahlpflicht
Bestandteile

Vorlesung (3 Credits)

Energy Data Management and Reproducibility

Anbieter
Lehrstuhl für Data Science in Energy and Environment
Lehrperson
Dr. Jonathan Berrisch
Turnus
unregelmäßig
SWS
2
Sprache
englisch
Hörerschaft

empfohlenes Vorwissen

basic programming experience (e.g. Python or R) and familiarity with elementary statistics and data handling

Abstract

The students study the principles and tools of reproducible data engineering with a focus on energy data. They learn to manage code and data with version control (Git), to isolate and reproduce computational environments using virtual environments, containers (Docker), and purely functional package management (Nix), and to persist data in relational databases (SQLite, MySQL). The students study how to automate data pipelines and quality checks with continuous integration and delivery (CI/CD). The methods are applied to messy, real-world energy datasets to build fully reproducible, automatically tested data pipelines.

Lehrinhalte

  • Foundations of reproducibility, FAIR principles, and version control with Git
  • Managing environments and dependencies with venv/renv, Docker, and Nix Flakes
  • Data persistence and management with SQLite and MySQL
  • Automation and testing of data pipelines with CI/CD (GitHub Actions / GitLab CI)
  • Synthesis: building an end-to-end reproducible energy data pipeline

Literaturangaben

  • Wilson, G., Bryan, J., Cranston, K., Kitzes, J., Nederbragt, L., & Teal, T. K. (2017). Good enough practices in scientific computing. PLoS computational biology, 13(6), e1005510.
  • Chacon, S. (2014). Pro git. Berkeley, CA: Apress. and https://learngit.online/
  • Boettiger, C. (2015). An introduction to Docker for reproducible research. ACM SIGOPS Operating Systems Review, 49(1), 71-79.
  • Wickham, H., & Grolemund, G. (2017). R for data science (Vol. 2). Sebastopol: O'Reilly.
  • Dolstra, E., De Jonge, M., & Visser, E. (2004, November). Nix: A Safe and Policy-Free System for Software Deployment. In LISA (Vol. 4, pp. 79-92).

didaktisches Konzept

The students study the concepts and tools of reproducible data engineering in the lecture. They discuss and apply the theory in hands-on tutorials, working with real energy datasets in their own version-controlled, containerized, and automatically tested pipelines.

Vorlesung: Energy Data Management and Reproducibility (WIWI‑C1311)

Übung (3 Credits)

Energy Data Management and Reproducibility

Anbieter
Lehrstuhl für Data Science in Energy and Environment
Lehrperson
Dr. Jonathan Berrisch
Turnus
unregelmäßig
SWS
2
Sprache
englisch
Hörerschaft

empfohlenes Vorwissen

See Lecture

Lehrinhalte

See Lecture

Literaturangaben

See Lecture

didaktisches Konzept

The students study the concepts and tools of reproducible data engineering in the lecture. They discuss and apply the theory in hands-on tutorials, working with real energy datasets in their own version-controlled, containerized, and automatically tested pipelines.

Übung: Energy Data Management and Reproducibility (WIWI‑C1312)
Modul: Energy Data Management and Reproducibility (WIWI‑M1015)