<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<rss xmlns:atom="http://www.w3.org/2005/Atom" xmlns:itunes="http://www.itunes.com/dtds/podcast-1.0.dtd" version="2.0">
  <channel>
    <title>Datenwelten I: Einführung in Data Science</title>
    <link>https://lecture2go.uni-hamburg.de/l2go/-/get/l/7566</link>
    <description><![CDATA[Die Vorlesung führt in informationstechnische und statistische Grundlagen der Data Science ein. Sie ist Teil eines zweisemestrigen Zyklus zu "Datenwelten". Im Sommersemester folgt eine zweite Vorlesung, die sich Datenethik, Datenrecht und erkenntnistheoretischen Reflektionen auf eine "verdatete" Welt befassen wird.

Beide Vorlesungen werden von interdisziplinär zusammengesetzten Teams von Lehrenden gehalten, um unterschiedliche Perspektiven auf Data Science, unterschiedliche Fragestellungen und Problemsichten einzubringen und aufeinander zu beziehen.

Studierende entwickeln dabei ein Grundverständnis folgender Inhalte:
* Funktionsweise der informationstechnischen Systeme, die in weiten Teilen unseren Alltag (mit-)gestalten
* Das technische und soziale Zusammenspiel dieser Systeme bei der Erhebung, Aufbewahrung und Nutzung von Daten
* Einfache statistische Verfahren zur Datenanalyse
* Verfahren aus dem Bereich des maschinellen Lernens (Classification, Regression, Clustering)
* Elementare Einführung in Neuronale Netze und ihre Anwendungen in der Bild- und Sprachverarbeitung]]></description>
    <language>de-DE</language>
    <copyright>University of Hamburg 2025</copyright>
    <itunes:author>University of Hamburg</itunes:author>
    <itunes:summary><![CDATA[Die Vorlesung führt in informationstechnische und statistische Grundlagen der Data Science ein. Sie ist Teil eines zweisemestrigen Zyklus zu "Datenwelten". Im Sommersemester folgt eine zweite Vorlesung, die sich Datenethik, Datenrecht und erkenntnistheoretischen Reflektionen auf eine "verdatete" Welt befassen wird.

Beide Vorlesungen werden von interdisziplinär zusammengesetzten Teams von Lehrenden gehalten, um unterschiedliche Perspektiven auf Data Science, unterschiedliche Fragestellungen und Problemsichten einzubringen und aufeinander zu beziehen.

Studierende entwickeln dabei ein Grundverständnis folgender Inhalte:
* Funktionsweise der informationstechnischen Systeme, die in weiten Teilen unseren Alltag (mit-)gestalten
* Das technische und soziale Zusammenspiel dieser Systeme bei der Erhebung, Aufbewahrung und Nutzung von Daten
* Einfache statistische Verfahren zur Datenanalyse
* Verfahren aus dem Bereich des maschinellen Lernens (Classification, Regression, Clustering)
* Elementare Einführung in Neuronale Netze und ihre Anwendungen in der Bild- und Sprachverarbeitung]]></itunes:summary>
    <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70940_2025-01-27_18-15.jpg?lastmodified=1738161205604"/>
    <pubDate>Thu, 25 Sep 2025 12:19:19 +0200</pubDate>
    <lastBuildDate>Thu, 25 Sep 2025 12:19:19 +0200</lastBuildDate>
    <image>
      <title>Datenwelten I: Einführung in Data Science</title>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/l/7566</link>
      <url>https://lecture2go.uni-hamburg.de/images/00.000_video-70940_2025-01-27_18-15.jpg?lastmodified=1738161205604</url>
    </image>
    <atom:link href="https://lecture2go.uni-hamburg.de/rss/7566.mp4.xml" rel="self" title="Datenwelten I: Einführung in Data Science (MP4 Feed)" type="application/rss+xml"/>
    <item>
      <title>14 Datenökosysteme – Wie kann ich sie aktiv verantwortlich mitgestalten?</title>
      <description><![CDATA[In der letzten Sitzung haben wir über die verantwortliche Gestaltung von Datenökosystemen bzw. insbesondere KI Systeme gesprochen. Hierbei standen insbesondere ethische Prinzipien und Beispiele für eben diese Prinzipien im Vordergrund.]]></description>
      <itunes:summary><![CDATA[In der letzten Sitzung haben wir über die verantwortliche Gestaltung von Datenökosystemen bzw. insbesondere KI Systeme gesprochen. Hierbei standen insbesondere ethische Prinzipien und Beispiele für eben diese Prinzipien im Vordergrund.]]></itunes:summary>
      <itunes:duration>01:15:19</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70940_2025-01-27_18-15.jpg?lastmodified=1738161205604"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70940</link>
      <pubDate>Mon, 27 Jan 2025 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70940</guid>
    </item>
    <item>
      <title>13 Where do you come from, ChatGPT? – Einführung in die Funktionsweise von (großen) Sprachmodellen</title>
      <description><![CDATA[In diesem Vortrag tasten wir uns an die Funktionsweise von Sprachmodellen heran. Wie ging die Entwicklung von einfacher Statistik bis hin zu (künstlich) intelligenten Dialogsystemen wie ChatGPT? Welche Mechanismen, welche technischen Voraussetzungen und welcher menschliche Input sind nötig zum Erreichen der momentan verfügbaren Sprachkompetenz auf hohem Niveau? Was machen diese Modelle noch falsch, und was sind die vorhersehbaren Entwicklungen der nächsten Jahre?]]></description>
      <itunes:summary><![CDATA[In diesem Vortrag tasten wir uns an die Funktionsweise von Sprachmodellen heran. Wie ging die Entwicklung von einfacher Statistik bis hin zu (künstlich) intelligenten Dialogsystemen wie ChatGPT? Welche Mechanismen, welche technischen Voraussetzungen und welcher menschliche Input sind nötig zum Erreichen der momentan verfügbaren Sprachkompetenz auf hohem Niveau? Was machen diese Modelle noch falsch, und was sind die vorhersehbaren Entwicklungen der nächsten Jahre?]]></itunes:summary>
      <itunes:duration>01:17:07</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70871_2025-01-20_18-15.jpg?lastmodified=1737533981529"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70871</link>
      <pubDate>Mon, 20 Jan 2025 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70871</guid>
    </item>
    <item>
      <title>12 KI-basierte Bildverarbeitung – Ein Bild sagt mehr als 1000 Worte</title>
      <description><![CDATA[Anwendungen der Bildverarbeitung erreichen, getrieben durch neue Entwicklungen im Bereich KI, immer mehr Lebensbereich in unserem Alltag. Daher dient diese Vorlesung dazu, ein grundlegendes Verständnis von Bildverarbeitung und der Nutzung, aber auch den Problemen und Chancen von KI für die Bildverarbeitung zu erlangen. Die Vorlesung wird dabei vor allem am Beispiel der Bildklassifikation geführt und befasst sich explizit auch mit dem für die KI-basierte Bildverarbeitung besonders relevanten Thema Datennutzung.]]></description>
      <itunes:summary><![CDATA[Anwendungen der Bildverarbeitung erreichen, getrieben durch neue Entwicklungen im Bereich KI, immer mehr Lebensbereich in unserem Alltag. Daher dient diese Vorlesung dazu, ein grundlegendes Verständnis von Bildverarbeitung und der Nutzung, aber auch den Problemen und Chancen von KI für die Bildverarbeitung zu erlangen. Die Vorlesung wird dabei vor allem am Beispiel der Bildklassifikation geführt und befasst sich explizit auch mit dem für die KI-basierte Bildverarbeitung besonders relevanten Thema Datennutzung.]]></itunes:summary>
      <itunes:duration>01:31:09</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70799_2025-01-13_18-15.jpg?lastmodified=1736935470797"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70799</link>
      <pubDate>Mon, 13 Jan 2025 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70799</guid>
    </item>
    <item>
      <title>11 Wie funktioniert Maschinelles Lernen und Künstliche Intelligenz?</title>
      <description><![CDATA[Ziel dieser Vorlesung ist es, zu verstehen, wie maschinelles Lernen (ML) und neuronale Netze funktionieren. Dazu wird eine Einführung in ML gegeben, und es wird gezeigt, wie ein typisches ML-Problem formuliert und gelöst wird. Es werden die grundlegenden Konzepte sowie die algorithmischen Ansätze erläutert und hergeleitet, auf denen maschinelles Lernen basiert. Zudem werden neuronale Netze eingeführt und ihr Aufbau sowie ihre Funktionsweise von Grund auf erklärt. Alle Konzepte werden anhand konkreter Beispiele veranschaulicht, um die Theorie praxisnah zu vermitteln. Das Ziel ist, dass jeder nachvollziehen kann, was in ML und neuronalen Netzen steckt und wie sie funktionieren.]]></description>
      <itunes:summary><![CDATA[Ziel dieser Vorlesung ist es, zu verstehen, wie maschinelles Lernen (ML) und neuronale Netze funktionieren. Dazu wird eine Einführung in ML gegeben, und es wird gezeigt, wie ein typisches ML-Problem formuliert und gelöst wird. Es werden die grundlegenden Konzepte sowie die algorithmischen Ansätze erläutert und hergeleitet, auf denen maschinelles Lernen basiert. Zudem werden neuronale Netze eingeführt und ihr Aufbau sowie ihre Funktionsweise von Grund auf erklärt. Alle Konzepte werden anhand konkreter Beispiele veranschaulicht, um die Theorie praxisnah zu vermitteln. Das Ziel ist, dass jeder nachvollziehen kann, was in ML und neuronalen Netzen steckt und wie sie funktionieren.]]></itunes:summary>
      <itunes:duration>01:17:41</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/24-300.11_video-70743_2025-01-06_18-15.jpg?lastmodified=1736269220572"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70743</link>
      <pubDate>Mon, 06 Jan 2025 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70743</guid>
    </item>
    <item>
      <title>10 Neuronale Netze</title>
      <description><![CDATA[Neuronale Netze sind spätestens seit dem großen Auftritt ChatGPT und Co., also seit dem Auftreten von großen Sprachmodellen (Large Language Models) in aller Munde. Aber wie funktionieren diese Netzwerke? Diese Vorlesung bietet eine erste Einführung in dieses Thema. Die Geschichte der Entwicklung künstlicher neuronaler Netze als Voraussetzung für das, was wir heute künstliche Intelligenz (KI) nennen, wird kurz vorgestellt. Dabei werden zentrale Elemente solcher Netzwerke vorgestellt, wir sprechen über Netzwerkstrukturen und greifen die Frage auf, wie in Neuronen in Netzwerken „Entscheidungen treffen“, und wie diese zu einem Gesamtoutput eines Netzwerkes aggregiert werden. Die Sitzung bietet Grundlagen für das Verständnis der in den folgenden Sitzungen erfolgenden tieferen Einblicke in die Funktionsweise von künstlichen neuronalen Netzwerken etwa zu Spracherkennung und Sprachgenerierung, sowie zur Bilderkennung und -generierung.]]></description>
      <itunes:summary><![CDATA[Neuronale Netze sind spätestens seit dem großen Auftritt ChatGPT und Co., also seit dem Auftreten von großen Sprachmodellen (Large Language Models) in aller Munde. Aber wie funktionieren diese Netzwerke? Diese Vorlesung bietet eine erste Einführung in dieses Thema. Die Geschichte der Entwicklung künstlicher neuronaler Netze als Voraussetzung für das, was wir heute künstliche Intelligenz (KI) nennen, wird kurz vorgestellt. Dabei werden zentrale Elemente solcher Netzwerke vorgestellt, wir sprechen über Netzwerkstrukturen und greifen die Frage auf, wie in Neuronen in Netzwerken „Entscheidungen treffen“, und wie diese zu einem Gesamtoutput eines Netzwerkes aggregiert werden. Die Sitzung bietet Grundlagen für das Verständnis der in den folgenden Sitzungen erfolgenden tieferen Einblicke in die Funktionsweise von künstlichen neuronalen Netzwerken etwa zu Spracherkennung und Sprachgenerierung, sowie zur Bilderkennung und -generierung.]]></itunes:summary>
      <itunes:duration>01:13:00</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70694_2024-12-16_18-15.jpg?lastmodified=1734473572485"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70694</link>
      <pubDate>Mon, 16 Dec 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70694</guid>
    </item>
    <item>
      <title>09 k-means Clustering</title>
      <description><![CDATA[K-means clustering ist ein weitverbreitetes Verfahren des unsupervised learning. Es zielt auf die Frage „Welche Muster sind in meinen Daten verborgen?“ Neben dem partionierenden k-means Clustering wird ausblickend kurz auch auf hierarchische und dichtebasierte Verfahren eingegangen.]]></description>
      <itunes:summary><![CDATA[K-means clustering ist ein weitverbreitetes Verfahren des unsupervised learning. Es zielt auf die Frage „Welche Muster sind in meinen Daten verborgen?“ Neben dem partionierenden k-means Clustering wird ausblickend kurz auch auf hierarchische und dichtebasierte Verfahren eingegangen.]]></itunes:summary>
      <itunes:duration>01:22:40</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70614_2024-12-09_18-15.jpg?lastmodified=1733913162398"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70614</link>
      <pubDate>Mon, 09 Dec 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70614</guid>
    </item>
    <item>
      <title>08 Wahrscheinlichkeitsbasiertes Lernen</title>
      <description><![CDATA[Beim Bayesianischen Lernen geht es darum, ausgehend von einer sehr großen Anzahl von features Objekte einer sehr begrenzten Anzahl von Klassen zuzuordnen. Die Erkennung von Spam z.B., kann als bayesianisches Lernen erfolgen. Die features sind dann die in E-Mails oder SMS verwendeten Worte, die Klassifizierung ermittelt, ob eine Nachricht (wahrscheinlich) Spam ist, oder nicht. Die Vorlesung erläutert an Beispielen, wie das bayesianische Lernen funktioniert.]]></description>
      <itunes:summary><![CDATA[Beim Bayesianischen Lernen geht es darum, ausgehend von einer sehr großen Anzahl von features Objekte einer sehr begrenzten Anzahl von Klassen zuzuordnen. Die Erkennung von Spam z.B., kann als bayesianisches Lernen erfolgen. Die features sind dann die in E-Mails oder SMS verwendeten Worte, die Klassifizierung ermittelt, ob eine Nachricht (wahrscheinlich) Spam ist, oder nicht. Die Vorlesung erläutert an Beispielen, wie das bayesianische Lernen funktioniert.]]></itunes:summary>
      <itunes:duration>01:21:21</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70562_2024-12-02_18-15.jpg?lastmodified=1733302747304"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70562</link>
      <pubDate>Mon, 02 Dec 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70562</guid>
    </item>
    <item>
      <title>07 Regressionsanalyse</title>
      <description><![CDATA[Regression ist eines der am häufigsten verwendeten statistischen Verfahren, das auch im Rahmen des supervised learning genutzt wird. Neben einer grundlegenden Einführung in das Verfahren geht die Vorlesung auch auf Unterschiede der Verwendung im Kontext von machine learning gegenüber herkömmlicher statistischer Analyse ein.]]></description>
      <itunes:summary><![CDATA[Regression ist eines der am häufigsten verwendeten statistischen Verfahren, das auch im Rahmen des supervised learning genutzt wird. Neben einer grundlegenden Einführung in das Verfahren geht die Vorlesung auch auf Unterschiede der Verwendung im Kontext von machine learning gegenüber herkömmlicher statistischer Analyse ein.]]></itunes:summary>
      <itunes:duration>01:27:26</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70494_2024-11-25_18-15.jpg?lastmodified=1732695971542"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70494</link>
      <pubDate>Mon, 25 Nov 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70494</guid>
    </item>
    <item>
      <title>06 Machine Learning - Einführung und Entscheidungsmodelle</title>
      <description><![CDATA[Die Vorlesung führt zunächst in grundlegende Konzepte des Machine Learning ein, wie etwa die definition von supervised und unsupervised learning, sowie die Unterscheidung von Trainings- und Testdaten. Im Anschluss werden Entscheidungsbäumen als Beispiel genutzt, um einen ersten Eindruck davon zu vermitteln, wie maschinelles Lernen grundsätzlich funktioniert. Entscheidungsbäume sind ein Klassifikationsverfahren, das ausgehend von einer begrenzten Menge an Merkmalen (alias features, Eigenschaften, Variablen) eine große Menge von Objekten einer wiederum begrenzten Menge von Kategorien zuordnen kann.]]></description>
      <itunes:summary><![CDATA[Die Vorlesung führt zunächst in grundlegende Konzepte des Machine Learning ein, wie etwa die definition von supervised und unsupervised learning, sowie die Unterscheidung von Trainings- und Testdaten. Im Anschluss werden Entscheidungsbäumen als Beispiel genutzt, um einen ersten Eindruck davon zu vermitteln, wie maschinelles Lernen grundsätzlich funktioniert. Entscheidungsbäume sind ein Klassifikationsverfahren, das ausgehend von einer begrenzten Menge an Merkmalen (alias features, Eigenschaften, Variablen) eine große Menge von Objekten einer wiederum begrenzten Menge von Kategorien zuordnen kann.]]></itunes:summary>
      <itunes:duration>01:21:35</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70419_2024-11-18_18-15.jpg?lastmodified=1732096767084"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70419</link>
      <pubDate>Mon, 18 Nov 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70419</guid>
    </item>
    <item>
      <title>05 Komplexe Informationssysteme</title>
      <description><![CDATA[Komplexe Informationssysteme bündeln große Datenbestände häufig in Data Warehouses, um vielseitige und mehrdimensionale Analysen zu ermöglichen. Mithilfe von Data Mining lassen sich darin Muster erkennen und datenbasierte Entscheidungen unterstützen. Information Retrieval und Suchmaschinen ergänzen diese Systeme, indem sie relevante Informationen gezielt und effizient aus den umfassenden Datenbeständen zugänglich machen. Diese Vorlesung gibt einen Überblick über grundlegende Herausforderungen und Lösungsansätze.]]></description>
      <itunes:summary><![CDATA[Komplexe Informationssysteme bündeln große Datenbestände häufig in Data Warehouses, um vielseitige und mehrdimensionale Analysen zu ermöglichen. Mithilfe von Data Mining lassen sich darin Muster erkennen und datenbasierte Entscheidungen unterstützen. Information Retrieval und Suchmaschinen ergänzen diese Systeme, indem sie relevante Informationen gezielt und effizient aus den umfassenden Datenbeständen zugänglich machen. Diese Vorlesung gibt einen Überblick über grundlegende Herausforderungen und Lösungsansätze.]]></itunes:summary>
      <itunes:duration>01:30:10</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70352_2024-11-11_18-15.jpg?lastmodified=1731502246779"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70352</link>
      <pubDate>Mon, 11 Nov 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70352</guid>
    </item>
    <item>
      <title>04 Klassische Datenbanken</title>
      <description><![CDATA[Diese Sitzung behandelt die Kernprinzipien klassischer Datenbanken und ihre Bedeutung für die effiziente Verarbeitung betrieblicher Daten. Es wird auf das relationale Datenmodell, die Funktionsweise von SQL und die Bedeutung von Transaktionen eingegangen, wobei auch die Herausforderungen und Grenzen im Mehrbenutzerbetrieb thematisiert werden.]]></description>
      <itunes:summary><![CDATA[Diese Sitzung behandelt die Kernprinzipien klassischer Datenbanken und ihre Bedeutung für die effiziente Verarbeitung betrieblicher Daten. Es wird auf das relationale Datenmodell, die Funktionsweise von SQL und die Bedeutung von Transaktionen eingegangen, wobei auch die Herausforderungen und Grenzen im Mehrbenutzerbetrieb thematisiert werden.]]></itunes:summary>
      <itunes:duration>01:27:21</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70295_2024-11-04_18-15.jpg?lastmodified=1730903643499"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70295</link>
      <pubDate>Mon, 04 Nov 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70295</guid>
    </item>
    <item>
      <title>03 Datenlebenszyklus und Forschungsdatenmanagement</title>
      <description><![CDATA[Die Vorlesung widmet sich dem Thema Forschungsdaten und dem Management derer. Denn Daten sind im Studium allgegenwärtig. Im Umgang mit ihnen können Tipps und Tricks helfen, das Risiko von z. B. Datenverlust zu minimieren und zeiteffizient qualitativ hochwertige Daten zu erzeugen. Anhand des Datenlebenszyklus wird besprochen, wie Forschungsdaten u. a. erhoben, analysiert, dokumentiert und veröffentlicht werden. Außerdem müssen Forschungsdaten gemäß der „Guten Wissenschaftlichen Praxis“ für mindestens zehn Jahre aufgehoben werden. FDM thematisiert eben diese Archivierung und auch alle Maßnahmen, die die Nachnutzung ermöglichen. Dabei werden konkrete Services vom Zentrum für nachhaltiges Forschungsdatenmanagement der Universität Hamburg vorgestellt.
 
Kontakt: Zentrum für nachhaltiges Forschungsdatenmanagement 
Dr. Juliane Jacob, juliane.jacob@uni-hamburg.de]]></description>
      <itunes:summary><![CDATA[Die Vorlesung widmet sich dem Thema Forschungsdaten und dem Management derer. Denn Daten sind im Studium allgegenwärtig. Im Umgang mit ihnen können Tipps und Tricks helfen, das Risiko von z. B. Datenverlust zu minimieren und zeiteffizient qualitativ hochwertige Daten zu erzeugen. Anhand des Datenlebenszyklus wird besprochen, wie Forschungsdaten u. a. erhoben, analysiert, dokumentiert und veröffentlicht werden. Außerdem müssen Forschungsdaten gemäß der „Guten Wissenschaftlichen Praxis“ für mindestens zehn Jahre aufgehoben werden. FDM thematisiert eben diese Archivierung und auch alle Maßnahmen, die die Nachnutzung ermöglichen. Dabei werden konkrete Services vom Zentrum für nachhaltiges Forschungsdatenmanagement der Universität Hamburg vorgestellt.
 
Kontakt: Zentrum für nachhaltiges Forschungsdatenmanagement 
Dr. Juliane Jacob, juliane.jacob@uni-hamburg.de]]></itunes:summary>
      <itunes:duration>01:31:20</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70250_2024-10-28_18-15.jpg?lastmodified=1758795007668"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70250</link>
      <pubDate>Mon, 28 Oct 2024 18:15:00 +0100</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70250</guid>
    </item>
    <item>
      <title>02 Was sind Daten?</title>
      <description><![CDATA[Die Verfügbarkeit von digitalen Daten hat in den letzten Jahrzehnten enorm zugenommen, eine Entwicklung, die mit Schlagworten wie Big Data, Datafication und Data Revolution beschrieben wird. Damit ist nicht nur eine Vergrößerung der Datenbestände, sondern auch eine Zunahme der Vielfalt von Daten verbunden. In dieser Vorlesung geht es zunächst um ein allgemeines Datenverständnis („Was sind Daten?“), bevor dann mit Kriterien wie Standardisierung und Strukturiertheit auf die Unterschiedlichkeit von Daten eingegangen wird.]]></description>
      <itunes:summary><![CDATA[Die Verfügbarkeit von digitalen Daten hat in den letzten Jahrzehnten enorm zugenommen, eine Entwicklung, die mit Schlagworten wie Big Data, Datafication und Data Revolution beschrieben wird. Damit ist nicht nur eine Vergrößerung der Datenbestände, sondern auch eine Zunahme der Vielfalt von Daten verbunden. In dieser Vorlesung geht es zunächst um ein allgemeines Datenverständnis („Was sind Daten?“), bevor dann mit Kriterien wie Standardisierung und Strukturiertheit auf die Unterschiedlichkeit von Daten eingegangen wird.]]></itunes:summary>
      <itunes:duration>01:22:41</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70148_2024-10-21_18-15.jpg?lastmodified=1758793665267"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70148</link>
      <pubDate>Mon, 21 Oct 2024 18:15:00 +0200</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70148</guid>
    </item>
    <item>
      <title>01 Datenökosysteme</title>
      <description><![CDATA[In dieser Sitzung werden die grundlegenden Konzepte von Datenökosystemen und deren Analysen vorgestellt. Es werden praxisnahe Beispiele gezeigt, wie Unternehmen Daten nutzen und welche Konsequenzen dies hat. Zusätzlich wird ein Beispiel aus der Forschung behandelt. Zum Abschluss wird die Verantwortung im Umgang mit Daten thematisiert.]]></description>
      <itunes:summary><![CDATA[In dieser Sitzung werden die grundlegenden Konzepte von Datenökosystemen und deren Analysen vorgestellt. Es werden praxisnahe Beispiele gezeigt, wie Unternehmen Daten nutzen und welche Konsequenzen dies hat. Zusätzlich wird ein Beispiel aus der Forschung behandelt. Zum Abschluss wird die Verantwortung im Umgang mit Daten thematisiert.]]></itunes:summary>
      <itunes:duration>00:54:18</itunes:duration>
      <itunes:image href="https://lecture2go.uni-hamburg.de/images/00.000_video-70078_2024-10-14_18-15.jpg?lastmodified=1758792340715"/>
      <link>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70078</link>
      <pubDate>Mon, 14 Oct 2024 18:15:00 +0200</pubDate>
      <guid>https://lecture2go.uni-hamburg.de/l2go/-/get/v/70078</guid>
    </item>
  </channel>
</rss>
