Es geht um’s Lernen: wer Programmieren oder Data Science Anwendungen lernen möchte, wird immer mit Beispielen überschüttet – also auch mit Standarddatensätzen. Dabei bleiben über die Jahrzehnte hinweg diese Beispiele oft identisch, wenn sie sich ein Mal bewährt haben. Wir wollen unseren Gebrauch dieser Beispiele in dieser Folge kritisch hinterfragen, denn nicht alle Standarddatensätze sind frei von historischem Ballast. Oder eignen sich für alle Anwendungsfälle. Deswegen geht es um solche Daten und darum, dass wir mal hinsehen wollen: Woher kommen diese Beispiele? Sind sie noch zeitgemäß? Welchen Zweck sollen sie erfüllen?

Wir sprechen mit Lisa über FabSeal. Gemeinsam hat sie mit einem Team am Kulturhackathon Coding da Vinci teilgenommen. Dabei haben sie historische Siegelabdrücke anhand von Bildern wieder zum Leben erweckt. Wie haben sie es geschafft, ein 3D-druckbares Siegel wieder herzustellen – anhand nur eines Bildes? Welche Hürden gab es und wie sieht die aktuelle Lösung aus? Ein super spannendes Projekt, gerade aus Data Science Sicht. Sie redet mit uns über den ganzen Prozess und auch wie es so ist, am Kulturhackathon Coding da Vinci teilzunehmen.

Warum ist das Thema super spannend? Weil es um den Grund geht, auf dem wir stehen! Aus Data Science Sicht ist es spannend, weil Erdbeben Daten liefern, die weltweit erhoben werden können – und das Zusammenführen dieser Daten, fördert beeindruckende Erkenntnisse zu Tage. Natürlich gibt es zuerst ein paar Basics: Wo finden Erdbeben hauptsächlich statt, wie oft und solche Dinge. Dann geht es in die Details: Helena sagt, was bei Erdbeben passiert – aus physikalischer Sicht und was die Menschen daraus gelernt haben. Und zum Abschluss geht es noch um die Frage, wie gut sich Erdbeben eigentlich vorhersagen lassen.

In unserer Jubiläumsfolge zum 1jährigen, geht es um ein Thema, das uns am Herzen liegt. Es geht um Statistiken und Studien zu trans Menschen. Wie so oft, wollen wir uns einfach erstmal anschauen, was so die Basiszahlen aussagen:
Wie haben sich in den letzten Jahren die Zahlen über trans Menschen geändert? Wichtige Aspekte sind natürlich medizinische Maßnahmen und psychische Gesundheit. Und dann möchten wir auch kurz über das Reden, was es noch nicht gibt: ausreichend Forschung!

Wir setzen uns mit Wahlumfragen auseinander. Zuerst geht es um die allseitsbekannte Sonntagsfrage und auch die Ergebnisse der Bundestagswahl 2017. Danach geht es darum, wer diese Umfragen durchführt, wer befragt wird und wie ausgewertet wird. Ausserdem reden wir über verschiedene andere Aspekte: Wirken sich Umfragen auf unser Wahlverhalten aus? Wie vertrauenswürdig ist ein Ergebnis, das von den Umfragen abweicht? Was sind Exitpolls? Und welche Effekte treten bei Hochrechnungen am Wahltag auf? Zum Schluss gucken wir dann doch nochmal auf die Ergebnisse der Landtagswahl in Sachsen-Anhalt 2021.

In dl007: klimadaten haben wir uns verschiedene Themen rund ums Klima und interessante Daten angesehen, in dieser Folge steigen wir jetzt in das nächste Thema etwas tiefer ein: Waldbrände. Es werden immer mehr katastrophale Waldbrände verzeichnet. Neben dem Menschen als Auslöser sind für die schlimmen Ausmaße aber auch Trockenheit, Temperaturanstiege und Dürren verantwortlich. Zum Einstieg gibt es kurz nochmal einige Zahlen über Waldbrände der letzten Jahre und dann nehmen wir uns zwei Themen in den Blick, nämlich: Feuerwetter und Trockenheit. Abschließend geht es um Feinstaub durch Waldbrände und wie man die sogar selbst messen könnte.

Daten können alles sein: Zahlen, Listen, Geordnete Tabellen, Statistiken, Filme, Musik, Noten, Texte, Sprache, Bilder. Um Daten verständlich zu machen, müssen sie auch gut dargestellt werden können, oft mit grafischen Elementen. Wir sprechen darüber, worum es bei Datenvisualisierungen geht, welche Ziele damit verfolgt werden können und wie ein*e Data Scientist dabei vorgeht. Natürlich auch darüber, welche Probleme und vielleicht Fallstricke es dabei geben kann, speziell bei der Kommunikation von Daten mit Hilfe von Grafiken.

In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt reden, sondern über die Frage: Können Maschinen denken? In Teil 1 ging es vor allem um Alan Turing und darum, wie Turing seinen Test ursprünglich dachte und welche Einwände es gegen seinen Test gibt. In Teil 2 sprechen wir jetzt vor allem über verschiedene Darstellungen von Mensch-Maschine-Beziehungen in der Populätkultur: Asimovs Robotergesetze und weitere Romane, Serien und Filme werden erwähnt und genauer angeschaut.

In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt reden, sondern über die Frage: Können Maschinen denken? Alan Turing stellte diese Frage der Beschreibung seines Turing-Test voran. Es geht unter anderem darum, wie Turing seinen Test ursprünglich dachte und welche Einwände es gegen seinen Test gibt. Dabei kommen wir auch immer wieder auf die Darstellung von Mensch-Maschine-Beziehungen in der Populärkultur zu sprechen.

Wir erzählen von der remote Chaos Experience, die vom 27.-30.12. stattfand. Vor allem über die spannenden Talks zu Data Science, die wir uns angehört haben, wie z.B. über Wikidata für Journalist*innen, wie man mit Datenguide zugängliche Statistiken visualisieren kann, Deepfakes, eine Untersuchung zu Körperverletzung durch Polizeibeamt*innen und wie man mit Daten über Bodyfeedback im Theater arbeiten kann. Unsere Eindrücke von der Veranstaltung sparen wir auch nicht aus. Und es gibt einen redaktionellen Einschub zum Thema genderneutrale Sprache.