{"id":594,"date":"2022-07-02T12:00:14","date_gmt":"2022-07-02T10:00:14","guid":{"rendered":"podlove-2022-06-30t12:20:00+00:00-d3d7a9eae6aa8d8"},"modified":"2022-06-30T14:47:03","modified_gmt":"2022-06-30T12:47:03","slug":"dl027-data-science-2-jahre-datenleben","status":"publish","type":"podcast","link":"https:\/\/www.datenleben.de\/index.php\/2022\/07\/02\/dl027-data-science-2-jahre-datenleben\/","title":{"rendered":"dl027: data science \u2013 2 jahre datenleben"},"content":{"rendered":"\n\t\t\n            <div class=\"podlove-web-player intrinsic-ignore podlove-web-player-loading\" id=\"player-69f2d7efa15bd\"><root data-test=\"player--xl\" style=\"max-width:950px;min-width:260px;\">\n  <div class=\"tablet:px-6 tablet:pt-6 mobile:px-4 mobile:pt-4 flex flex-col\">\n    <div class=\"flex-col items-center mobile:flex tablet:hidden\">\n      <show-title class=\"text-sm\"><\/show-title>\n      <episode-title class=\"text-base mb-2\"><\/episode-title>\n      <subscribe-button class=\"mb-4 mobile:flex tablet:hidden\"><\/subscribe-button>\n      <poster class=\"rounded-sm w-48 shadow overflow-hidden\"><\/poster>\n      <divider class=\"w-full my-6\"><\/divider>\n    <\/div>\n\n    <div class=\"tablet:flex flex-grow\">\n      <div class=\"w-64 mobile:hidden tablet:block tablet:mr-6\">\n        <poster class=\"rounded-sm shadow overflow-hidden\"><\/poster>\n      <\/div>\n      <div class=\"w-full\">\n        <div class=\"hidden tablet:block\">\n          <show-title class=\"text-base\"><\/show-title>\n          <episode-title class=\"text-xl desktop:text-2xl\"><\/episode-title>\n          <divider class=\"w-full my-4\"><\/divider>\n        <\/div>\n        <div class=\"flex items-center justify-between\">\n          <div class=\"block\">\n            <play-state on=\"active\">\n              <speed-control class=\"flex items-center\"><\/speed-control>\n            <\/play-state>\n          <\/div>\n\n          <div class=\"flex\">\n            <play-state on=\"active\">\n              <chapter-previous class=\"mx-2 block\"><\/chapter-previous>\n            <\/play-state>\n            <play-state on=\"active\">\n              <step-backward class=\"mx-2 block\"><\/step-backward>\n            <\/play-state>\n\n            <play-button class=\"mx-2 block\" :label=\"$t('PLAYER.PLAY_EPISODE')\"><\/play-button>\n\n            <play-state on=\"active\">\n              <step-forward class=\"mx-2 block\"><\/step-forward>\n            <\/play-state>\n            <play-state on=\"active\">\n              <chapter-next class=\"mx-2 block\"><\/chapter-next>\n            <\/play-state>\n          <\/div>\n\n          <div class=\"block\">\n            <play-state on=\"active\">\n              <volume-control class=\"flex items-center\"><\/volume-control>\n            <\/play-state>\n          <\/div>\n        <\/div>\n        <div class=\"flex w-full\">\n          <progress-bar><\/progress-bar>\n        <\/div>\n        <div class=\"flex w-full -mt-2\">\n          <div class=\"w-3\/12 text-left\">\n            <timer-current class=\"text-sm\"><\/timer-current>\n          <\/div>\n          <div class=\"w-6\/12 text-center truncate\">\n            <play-state on=\"active\">\n              <current-chapter class=\"text-sm\"><\/current-chapter>\n            <\/play-state>\n          <\/div>\n          <div class=\"w-3\/12 text-right\">\n            <timer-duration class=\"text-sm\"><\/timer-duration>\n          <\/div>\n        <\/div>\n      <\/div>\n    <\/div>\n    <divider class=\"w-full mt-6 mb-3\"><\/divider>\n    <div class=\"flex justify-between\">\n      <div class=\"flex mobile:w-full tablet:w-3\/12 desktop:w-3\/12 justify-between\">\n        <tab-trigger tab=\"chapters\">\n          <icon type=\"chapter\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"transcripts\">\n          <icon type=\"transcripts\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"files\">\n          <icon type=\"download\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"playlist\">\n          <icon type=\"playlist\"><\/icon>\n        <\/tab-trigger>\n        <tab-trigger tab=\"share\">\n          <icon type=\"share\"><\/icon>\n        <\/tab-trigger>\n      <\/div>\n      <subscribe-button class=\"mt-1 mobile:hidden tablet:flex\"><\/subscribe-button>\n    <\/div>\n  <\/div>\n  <div class=\"w-full relative overflow-hidden\">\n    <tab name=\"chapters\">\n      <tab-chapters><\/tab-chapters>\n    <\/tab>\n    <tab name=\"transcripts\">\n      <tab-transcripts><\/tab-transcripts>\n    <\/tab>\n    <tab name=\"files\">\n      <tab-files><\/tab-files>\n    <\/tab>\n    <tab name=\"playlist\">\n      <tab-playlist><\/tab-playlist>\n    <\/tab>\n    <tab name=\"share\">\n      <tab-share><\/tab-share>\n    <\/tab>\n    <tab-overflow><\/tab-overflow>\n  <\/div>\n  <error><\/error>\n<\/root>\n<\/div>\n            <script>\n              document.addEventListener(\"DOMContentLoaded\", function() {\n                var player = document.getElementById(\"player-69f2d7efa15bd\");\n                podlovePlayerCache.add([{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/wp-json\\\/podlove-web-player\\\/shortcode\\\/publisher\\\/594\",\"data\":{\"version\":5,\"show\":{\"title\":\"datenleben\",\"subtitle\":\"der podcast \\u00fcber data science\",\"summary\":\"Was ist Data Science? Was bedeuten die Daten f\\u00fcr unser Leben? Woher kommen sie und wozu werden sie benutzt?\\r\\nDas sind alles Fragen, mit denen wir uns auseinander setzen werden.\\r\\nWer schon immer mehr \\u00fcber Daten und deren Effekt auf unser Leben wissen wollte, ist hier genau richtig.\",\"poster\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/image\\\/687474703a2f2f7777772e646174656e6c6562656e2e64652f77702d636f6e74656e742f75706c6f6164732f323032302f30362f636f7665722e706e67\\\/500\\\/0\\\/0\\\/datenleben\",\"link\":\"https:\\\/\\\/www.datenleben.de\"},\"title\":\"dl027: data science \\u2013 2 jahre datenleben\",\"subtitle\":\"Was ist Data Science? (Folge 1 neu gedacht)\",\"summary\":\"Vor 2 Jahren, am 04. Juli 2020, haben wir diesen Podcast das erste Mal auf die Welt losgelassen. Seitdem haben wir \\u00fcber 24 Stunden Inhalt produziert; und! es sind etliche H\\u00f6rer*innen dazugekommen. Wir wollen ein bisschen den Blick zur\\u00fcck werfen und Helena erz\\u00e4hlt nochmal, was Data Science ist und ob mensch das \\u00fcberhaupt braucht. Wir erz\\u00e4hlen auch dar\\u00fcber, was wir hier eigentlich machen und warum wir das so machen, wie wir es tun. Und wir stellen euch drei Folgen vor, die aus unserer Sicht einen guten Einstieg anbieten, weil sie sehr elementare Dinge\\\/Probleme\\\/whatever von Data Science aufzeigen.\",\"publicationDate\":\"2022-07-02T12:00:14+02:00\",\"duration\":\"00:33:17.427\",\"poster\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/image\\\/68747470733a2f2f7777772e646174656e6c6562656e2e64652f77702d636f6e74656e742f75706c6f6164732f323032322f30362f444c3032375f636f7665722e706e67\\\/500\\\/0\\\/0\\\/dl027-data-science-2-jahre-datenleben\",\"link\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/2022\\\/07\\\/02\\\/dl027-data-science-2-jahre-datenleben\\\/\",\"chapters\":[{\"start\":\"00:00:00.000\",\"title\":\"Intro\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:00:18.452\",\"title\":\"Thema des Podcasts\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:00:38.047\",\"title\":\"Thema der Folge\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:02:19.620\",\"title\":\"Warum ist dieses Thema interessant?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:02:59.469\",\"title\":\"Einspieler: Data Science und datenleben\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:04:41.011\",\"title\":\"Was machen wir hier eigentlich und warum so?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:08:58.469\",\"title\":\"Was ist Data Science, braucht man das?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:24:47.693\",\"title\":\"Welche Folgen empfehlen wir zum Einstieg?\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:29:54.433\",\"title\":\"Fazit\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:31:36.767\",\"title\":\"N\\u00e4chste Folge: wasserspiegel am 30.07.2022\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:32:27.113\",\"title\":\"Call to Action\",\"href\":\"\",\"image\":\"\"},{\"start\":\"00:33:05.377\",\"title\":\"Outro\",\"href\":\"\",\"image\":\"\"}],\"audio\":[{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/file\\\/108\\\/s\\\/webplayer\\\/c\\\/website\\\/DL027_2_jahre_datenleben.mp3\",\"size\":\"32984606\",\"title\":\"MP3 Audio (mp3)\",\"mimeType\":\"audio\\\/mpeg\"}],\"files\":[{\"url\":\"https:\\\/\\\/www.datenleben.de\\\/podlove\\\/file\\\/108\\\/s\\\/webplayer\\\/DL027_2_jahre_datenleben.mp3\",\"size\":\"32984606\",\"title\":\"MP3 Audio\",\"mimeType\":\"audio\\\/mpeg\"}]}}, {\"url\":\"https:\\\/\\\/www.datenleben.de\\\/index.php\\\/wp-json\\\/podlove-web-player\\\/shortcode\\\/config\\\/default\\\/theme\\\/datenleben\",\"data\":{\"activeTab\":\"chapters\",\"subscribe-button\":null,\"share\":{\"channels\":[\"link\",\"facebook\",\"twitter\",\"whats-app\",\"linkedin\",\"pinterest\",\"xing\",\"mail\"],\"outlet\":\"https:\\\/\\\/www.datenleben.de\\\/wp-content\\\/plugins\\\/podlove-web-player\\\/web-player\\\/share.html\",\"sharePlaytime\":true},\"related-episodes\":{\"source\":\"disabled\",\"value\":null},\"version\":5,\"theme\":{\"tokens\":{\"brand\":\"#fff\",\"brandDark\":\"#fff\",\"brandDarkest\":\"#000\",\"brandLightest\":\"#8cc240\",\"shadeDark\":\"#807E7C\",\"shadeBase\":\"#807E7C\",\"contrast\":\"#000\",\"alt\":\"#8cc240\"},\"fonts\":{\"ci\":{\"name\":\"ci\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":800},\"regular\":{\"name\":\"regular\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":300},\"bold\":{\"name\":\"bold\",\"family\":[\"-apple-system\",\"BlinkMacSystemFont\",\"Segoe UI\",\"Roboto\",\"Helvetica\",\"Arial\",\"sans-serif\",\"Apple Color Emoji\",\"Segoe UI Emoji\\\", \\\"Segoe UI Symbol\"],\"src\":[],\"weight\":700}}},\"base\":\"https:\\\/\\\/www.datenleben.de\\\/wp-content\\\/plugins\\\/podlove-web-player\\\/web-player\\\/\"}}]);\n                podlovePlayer(player, \"https:\/\/www.datenleben.de\/index.php\/wp-json\/podlove-web-player\/shortcode\/publisher\/594\", \"https:\/\/www.datenleben.de\/index.php\/wp-json\/podlove-web-player\/shortcode\/config\/default\/theme\/datenleben\").then(function() {\n                  player && player.classList.remove(\"podlove-web-player-loading\");\n                });\n              });\n            <\/script>\n            <style>\n              .podlove-web-player.podlove-web-player-loading {\n                opacity: 0;\n              }\n            <\/style>\n        \n\t\n\t\t\n<h3>Intro (00:00:00)<\/h3>\n<h3>Thema des Podcasts (00:00:18)<\/h3>\n<p>Willkommen zu unserer 27. Folge beim datenleben-Podcast, dem Podcast \u00fcber Data Science.<br \/>\nWir sind Helena und Janine und m\u00f6chten mit euch die Welt der Daten erkunden.<br \/>\nEs wird immer wichtiger Daten in das Gro\u00dfe Ganze einordnen zu k\u00f6nnen.<br \/>\nIn unserem Podcast wollen wir deswegen Data Science anhand von Themen erkl\u00e4ren, die uns alle betreffen.<\/p>\n<h3>Thema der Folge (00:00:38)<\/h3>\n<ul>\n<li>Eigentlich war f\u00fcr diese Folge das Thema Meeresspiegel bzw. Wasserspiegel angek\u00fcndigt<\/li>\n<li>Aber wie ihr wir hatten Urlaub und 50% von uns waren danach krank, das hat uns ein bisschen die eigentlichen Pl\u00e4ne zerrupft<\/li>\n<li>Am 04. Juli 2020 haben wir diesen Podcast das erste Mal auf die Welt losgelassen<\/li>\n<li>Seitdem haben wir \u00fcber 24 Stunden Inhalt produziert; und! es sind viele H\u00f6rer*innen dazugekommen<\/li>\n<li>Hallo ihr alle, wir freuen uns, dass ihr uns h\u00f6rt<\/li>\n<li>Wir wollen gleich ein bisschen den Blick zur\u00fcck werfen und Helena erz\u00e4hlt nochmal, was Data Science ist und ob mensch das \u00fcberhaupt braucht...<\/li>\n<li>Janine erz\u00e4hlt was wir hier eigentlich machen und warum wir das so machen, wie wir es tun<\/li>\n<li>Und wir highlighten Folgen, die aus unserer Sicht einen guten Einstieg anbieten, weil sie sehr elementare Dinge\/Probleme\/whatever von Data Science aufzeigen<\/li>\n<\/ul>\n<h3>Warum ist das Thema interessant? (00:02:20)<\/h3>\n<ul>\n<li>Das hier wird eine Art \u00dcberblicksfolge, weil datenleben jetzt zwei Jahre alt ist<\/li>\n<li>Data Science revisited: Folge 1 vielleicht ein bisschen geupdatet, aber vermutlich nicht ganz \u00fcberlappend mit Folge 1<\/li>\n<li>Folge 1 wird immer noch am allermeisten geh\u00f6rt, aber da waren wir noch ganz frisch und vielleicht noch nicht so gut<\/li>\n<li>Deswegen nutzen wir das Jubil\u00e4um, f\u00fcr ein Update, auch f\u00fcr neue H\u00f6rer*innen, die dazu kommen<\/li>\n<\/ul>\n<h3>Einspieler: Data Science und datenleben (00:02:59)<\/h3>\n<ul>\n<li>Stell dir vor du lebst in einer Welt voller Daten... oh wait...<\/li>\n<li>Stell dir vor du k\u00f6nnsten automatisiert diese Daten erfassen und auswerten... oh wait...<\/li>\n<li>Ich glaube wir brauchen uns diese dinge nicht vorstellen, sie sind l\u00e4ngst Realit\u00e4t und f\u00fcr jede einzelne Generation wird das alles um so selbstverst\u00e4ndlicher<\/li>\n<li>Fr\u00fcher haben wir noch per Telefonzelle bescheid gegeben<\/li>\n<li>Heute k\u00f6nnen wir prinzipiell die Wege von Menschen ins kleinste Detail nachvollziehen<\/li>\n<li>Datenerhebung war noch nie so einfach<\/li>\n<li>Aber damit geht auch Verantwortung einher... oh und nicht zu vergessen die F\u00e4higkeit die Masse an Daten zu \u00fcberblicken<\/li>\n<li>Und das k\u00f6nnen Data Scientists f\u00fcr uns \u00fcbernehmen, wenn wir als Gesellschaft zwischen den Datenpunkten zu ertrinken drohen<\/li>\n<li>Data Science hei\u00dft f\u00fcr uns\n<ul>\n<li>Sich der Daten bewusst zu werden<\/li>\n<li>Die Daten zu erheben und aufzubereiten<\/li>\n<li>Daten und ihre Kontexte kritisch betrachten zu k\u00f6nnen<\/li>\n<li>Das Messverfahren zu kennen<\/li>\n<li>Menschen dazu bef\u00e4higen mittels Daten informierte Entscheidungen treffen zu k\u00f6nnen<\/li>\n<\/ul>\n<\/li>\n<li>Unser Podcast soll \u00dcberblicke und Einsichten in die verschiedenen Themen von Data Science bieten\n<ul>\n<li>Mal am konkreten Alltag gezeigt<\/li>\n<li>Mal an globalen Themen betrachtet<\/li>\n<li>Und nebenbei auf wichtige Themen wissenschaftlicher und gesellschaftlicher Art eingehen<\/li>\n<li>Themen aufzeigen, die unser Leben, unsere Umwelt und unseren Alltag betreffen k\u00f6nnen<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<h3>Was machen wir hier eigentlich und warum so? (00:04:41)<\/h3>\n<ul>\n<li>vor 2 jahren haben wir diesen podcast gestartet und es macht uns immer noch spa\u00df<\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/07\/04\/dl001-data-science\/\">Folge 1<\/a> ist jetzt lange her, wir dachten, wir gucken uns dieses Thema nochmal kurz und knapp an f\u00fcr alle, die neu zum Podcast gekommen sind und nicht von Folge 1 ab alles nachh\u00f6ren<\/li>\n<li>Wer in unsere Folgen Historie schaut, k\u00f6nnte sich vielleicht Fragen, geht es wirklich um Data Science?<\/li>\n<li>Klar, wir sprechen zum Beispiel \u00fcber Standarddatens\u00e4tze oder Datenvisualisierung, das klingt schon sehr nach Data Science <\/li>\n<li>Aber warum auch \u00fcber Klimawandel, Studien zu Drogen oder \u00fcber Wahlumfragen reden?<\/li>\n<li>Weil Forschung immer Daten erhebt, die ausgewertet werden und weil Data Science sich damit besch\u00e4ftigt WIE Daten ausgewertet werden k\u00f6nnen<\/li>\n<li>Wir sind keine Klimaforscherinnen, keine Unfallexpertinnen...<\/li>\n<li>Aber unser Zugang zu den Themen basiert nicht darauf alles \u00fcber die Disziplin zu wissen, mit der wir uns befassen, sondern anzusehen, wie mit den Daten umgegangen wird und werden kann<\/li>\n<li>Im Wesentlichen ist das auch die Arbeit von Data Scientists:<\/li>\n<li>Es gibt immer wieder neue Kontexte, neue Projekte, in die sich eingearbeitet werden muss<\/li>\n<li>Eins bleibt dabei immer gleich: Die Expertise im Umgang mit Daten<\/li>\n<li>Wie suchen wir die themen aus? <\/li>\n<li>Danach, was wir selbst an Interessen haben und was wir wichtig finden, dass sich Menschen dar\u00fcber Gedanken machen<\/li>\n<li>Wovon wir denken, dass es a) im Kontext Data Science spannend ist <\/li>\n<li>Und die b) gut illustrieren, wie Data Science mit unserem Leben, unseren Entscheidungen verzahnt ist<\/li>\n<li>Wir wollen dazu anregen auch auf Basis von Daten informierte Entscheidungen zu treffen<\/li>\n<li>Es ist nicht so leicht anhand von Informationen ein garantiertes Ergebnis vorherzusagen<\/li>\n<li>Helena hat Star Trek &quot;Strange new Worlds&quot; geguckt und findet die Herangehensweise der Vulkanier nicht zielf\u00fchrend, keine Entscheidungen zu treffen, wenn nicht alle Informationen vorliegen, denn oft gibt es diesen Zeitpunkt nicht, wo alles bekannt ist <\/li>\n<li>Nicht zu reagieren, auch wenn zeitkritisch reagiert werden muss, hat auch Einfluss auf das Ergebnis (Beispiel: Pandemie, Handeln war n\u00f6tig, obwohl vieles anfangs noch unbekannt war)<\/li>\n<li>Helena widerspricht den vermeintlich extram logischen Vulkaniern, denn man muss auch mit unvollst\u00e4ndigen Informationen informierte Entscheidungen treffen<\/li>\n<li>Und das ist ein Kernpunkt von Data Science<\/li>\n<\/ul>\n<h3>Was ist Data Science, braucht man das? (00:08:58)<\/h3>\n<ul>\n<li>Wir brauchen Data Science, weil wir so viele Daten haben, dass wir Menschen brauchen, die wissen, wie damit umzugehen ist <\/li>\n<li>Wir brauchen nicht nur Statistiker*innen, Datan Analysts, sondern auch Menschen, die die Daten erfassen, etc.<\/li>\n<li>Beispiel: Flugpl\u00e4ne optimieren, die richtige Frage formulieren, die dann zu einem passenden Ergebnis f\u00fchrt und mit Daten beantwortet werden kann<\/li>\n<li>Antworten m\u00fcssen in einer verst\u00e4ndlichen Sprache formuliert werden<\/li>\n<li>Problem: Manchmal werden Dinge vorhergesagt, die nicht eintreffen, weil sich die Gegebenheiten ge\u00e4ndert haben, ein Denkfehler dabei war, etc. damit muss man umgehen k\u00f6nnen<\/li>\n<\/ul>\n<blockquote>\n<p>'If you're considering going into this field, definitely consider how comfortable you are delivering results that aren't super clear-cut and that you may find out later turned out to be wrong! \ud83d\ude06' <a href=\"https:\/\/twitter.com\/BecomingDataSci\/status\/1537459954856169473\">@BecomingDataSci, Twitter<\/a><\/p>\n<\/blockquote>\n<ul>\n<li>Deutsch etwa: Wenn du vor hast im Bereich Data Science zu arbeiten, denk dar\u00fcber nach, wie gern du auch Ergebnisse, die nicht so richtig eine klare Antwort geben, kommunizieren m\u00f6chtest; vor allem, wenn die sich sp\u00e4ter als falsche herausstellen<\/li>\n<li>Also wie Du damit umgehen kannst und dass du damit umgehen kannst, dich auch mal geirrt zu haben (sehr relevanter Punkt)<\/li>\n<li>Verschiede Subbereiche von Data Science <a href=\"https:\/\/broadcast.sap.com\/replay\/220525_wids_amer\">Interview - SQL for Data Scientists, ab 33:55<\/a>\n<ul>\n<li>Data Analyst -&gt; wertet Daten aus\/arbeitet mit Daten<\/li>\n<li>Data Engineer -&gt; sammeln Rohdaten und verarbeiten so, dass die f\u00fcr andere nutzbar sind<\/li>\n<li>Machine Learning Specialist<\/li>\n<\/ul>\n<\/li>\n<li>Helena war im April auf einer Data Scienc Konferenz, da gab es einen Vortrag &quot;Braucht man \u00fcberhaupt noch Data Scientists&quot;? <a href=\"https:\/\/www.youtube.com\/watch?v=PxCVbpDYaCM\">Dr. Setareh Sadjadi: Do we really need Data Scientists?<\/a><\/li>\n<li>\u00dcberlegung dahinter: Vielleicht braucht es keine Data Scientists, weil es gibt ja die Spezialisierungen Der Vortrag behandelt die Frage, ob sich Data Science als Berufsfeld nicht in k\u00fcrze selbst \u00fcberholt h\u00e4tte<\/li>\n<li>Ein weiteres Argument ist, dass automatische Machine Learning Tools Leute ersetzen die selbst mit Daten arbeiten und es nur noch die Leute braucht die dann Ergebnisse angucken<\/li>\n<li>Ausserdem g\u00e4be es mittlerweile so viele selbst ernannte Data Siencetists, dass der Markt ges\u00e4ttigt sei<\/li>\n<li>Die Vortragende selbst berichtet aber davon wie schwierig es ist \u00fcberhaupt Data Scientists zu finden, daher h\u00e4lt sie das Argument f\u00fcr vorgeschoben dass schon zuviele g\u00e4be<\/li>\n<li>Und wer mit Machine Learning gearbeitet hat, wei\u00df, dass es uns nicht so schnell \u00fcberfl\u00fcssig machen wird, wie manche Leute das gerne behaupten<\/li>\n<li>Entwicklung der K\u00fcnstlichen Intelligenz ist viel langer als es nach au\u00dfen den Anschein macht, es braucht hier noch den Menschen, der sich die Dinge auch ansieht und bewertet<\/li>\n<li>Data Science scheint also sehr umfangreich zu sein, welche Skills muss man so mitbringen?<\/li>\n<li>Auf jeden Fall statistisches Grundwissen und man sollte schon Programmieren k\u00f6nnen, insbesondere <\/li>\n<li>Technische Key Skills:\n<ul>\n<li>Python oder R -&gt; sind die wesentlichen Programmiersprachen in diesem Bereich<\/li>\n<li>Tools: Jupyter Notebook bzw. RStudio als Entwicklungsumgebungen sinnvoll<\/li>\n<li>Erfahrungen mit verschiedenen Formen von Daten, wie Datenbanken, z.B. SQL<\/li>\n<li>Grundverst\u00e4ndnis von Cloudsystemen und Softwareadministration, z.B. Docker<\/li>\n<\/ul>\n<\/li>\n<li>Es geht bei Data Science nicht nur darum Daten einmalig auszuwerten, sondern das ganze kontinuierlich machen zu k\u00f6nnen<\/li>\n<li>Daher schadet es nicht, ein bisschen was mit <a href=\"https:\/\/de.wikipedia.org\/wiki\/DevOps\">DevOps<\/a>-Methoden anfangen zu k\u00f6nnen<\/li>\n<li>Je nach Bereich in den man geht, sollte man auch die Erfahrungen sammeln, z.B. Maschine Learning <\/li>\n<li>Aber Data Science ist nicht nur Maschine Learning! Es gibt viele Themen, die komplett ohne auskommen und es ist auch nicht immer die beste L\u00f6sung<\/li>\n<li>Nicht-Technische Key Skills:\n<ul>\n<li>Kommunication sowohl mit technischen Personen und nicht-technischen Personen notwendig<\/li>\n<li>Hartn\u00e4ckickigkeit, wenn Dinge nicht funktionieren, viel trial and error aushalten<\/li>\n<li>Kreativit\u00e4t im Umgang mit den Daten und um neue L\u00f6sungswege zu finden\n<ul>\n<li>Tipps f\u00fcr Kreatiefs: <a href=\"https:\/\/de.wikipedia.org\/wiki\/Quietscheentchen-Debugging\">Rubber Duck Debugging<\/a>, Pausen\/Spazierg\u00e4nge, einfach mal schlafen (;<\/li>\n<\/ul>\n<\/li>\n<li>Neugier ist wichtig, recherchieren, wie andere Leute Dinge machen, bereit sein mehr zu lernen<\/li>\n<\/ul>\n<\/li>\n<li>Viele der genannten Dinge sind im Vortrag <a href=\"https:\/\/broadcast.sap.com\/replay\/220525_wids_amer\">SQL for Data Scientists (ab 33:55)<\/a> auf der <a href=\"https:\/\/www.widsconference.org\/\">Women in Data Science Conference<\/a> enthalten<\/li>\n<li>Was tun um Data Scientist zu werden?<\/li>\n<li>Eine Option ist der Quereinstieg aus Informatik oder einer wissenschaftlichen Fachrichtung, insbesondere wenn eh viel mit Daten gearbeitet wurde<\/li>\n<li>Es hilft in Projekten zu sein, wo andere mit Daten arbeiten; man muss nicht alles von Anfang an k\u00f6nnen, manchmal lernt man einfach w\u00e4hrend man dran arbeitet<\/li>\n<li>Es gibt mittlerweile Data Science als Studiengang an verschiedenen<br \/>\ndeutschen Unis:<\/li>\n<li>Studis online: <a href=\"https:\/\/www.studis-online.de\/studium\/data-science-data-management\/bachelor\/\">Studieng\u00e4nge Data Science \/ Data Management, Bachelor<\/a>\n<ul>\n<li>Studis online: <a href=\"https:\/\/www.studis-online.de\/studium\/data-science-data-management\/bachelor\/\">Studieng\u00e4nge Data Science \/ Data Management, Master<\/a><\/li>\n<\/ul>\n<\/li>\n<li>Versucht w\u00e4hrend des Studiums schon thematisch passend zu Arbeiten, viele gro\u00dfe Unternehmen und Forschungsinstitute haben sogenannte Werksstudentenjobs<\/li>\n<li>Erfahrung unter realistischen Bedingungen sammeln kann, ohne dass gleich verlangt wird dass man alles schon kann<\/li>\n<\/ul>\n<h3>Welche Folgen empfehlen wir zum Einstieg? (00:24:48)<\/h3>\n<ul>\n<li>In welche Folgen lohnt es sich am meisten reinzuh\u00f6ren, als Neuh\u00f6rer*in?<\/li>\n<li>Wir wollen drei Folgen nennen, die besonders gut auf bestimmte Aspekte von Data Science eingehen<\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/04\/24\/dl013-daten-visualisieren\/\">dl013: datenvisualisierung<\/a>\n<ul>\n<li>Technische Einblicke in Datenvisualisierung mit Data Science<\/li>\n<li>Es geht nicht nur um die Darstellung selbst (Kommunikation von Daten)<\/li>\n<li>... sondern auch um das Kennenlernen von Daten (Exploration)<\/li>\n<li>... und das \u00fcberpr\u00fcfen der Methode\/Modelle der Analyse (Verifikation)<\/li>\n<\/ul>\n<\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/09\/05\/folge-004-racial-profiling\/\">dl004: racial profiling<\/a>\n<ul>\n<li>Besch\u00e4ftigt sich damit woher Daten kommen und was die Konsequenzen daraus sind<\/li>\n<li>Welchen Effekt hat die Herkunft der Daten und was passiert, wenn z.B. Justizbeh\u00f6rden auf Basis von Daten Urteile f\u00e4llen<\/li>\n<li>Ein sehr akutes Beispiel ist die Illegalisierung von Abtreibungen in einigen Staaten der USA<\/li>\n<li>Besonders kritisch vor dem Hintergrund welche Datenspuren wir in unserem Alltag hinterlassen: Eink\u00e4ufe von Schwangerschaftstests mit EC oder Kreditkarte, Apps, die den Zyklus tracken, etc.<\/li>\n<li>Eins Beispiel daf\u00fcr, wie scheinbar &quot;unschuldige&quot; Daten sch\u00e4dlich genutzt werden k\u00f6nnen, nur weil sich die Gesetzeslage \u00e4ndert<\/li>\n<li>Und genau darum geht es in Folge 4, nur eben am Beispiel racial profiling<\/li>\n<\/ul>\n<\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2022\/02\/26\/dl023-web-scraping-weihnachtsmarkt\/\">dl023: web scraping weihnachtsmarkt<\/a>\n<ul>\n<li>Wir haben interessante Daten im Internet gefunden und die k\u00f6nnten wir ja mal benutzen<\/li>\n<li>Worum es genau geht: Kontext von Daten ist wichtig \u2013 Kenne dein Messverfahren<\/li>\n<\/ul>\n<\/li>\n<li>Das sind die Folgen, die wir f\u00fcr einen schnellen Einstieg zu Kernaspekten von Data Science empfehlen, aber nat\u00fcrlich seid ihr herzlich eingeladen alle anderen auch zu h\u00f6ren<\/li>\n<\/ul>\n<h3>Fazit (00:29:54)<\/h3>\n<ul>\n<li>In unserem Podcast gibt es technische, aber auch gesellschaftliche Themen, in wie fern Daten unser Leben beeinflussen<\/li>\n<li>Es gibt aber auch den wissenschaftlichen Teil, zum Beispile die Klimadaten<\/li>\n<li>Unser Ziel ist es, nicht nur die technischen Details zu beleuchten, sondern alles was mit Date Science zu tun hat; Auswertungen, Einfluss der Messergebnisse auf unser Leben, was es braucht um Data Scientist zu werden und auch Darstellungen einfach besser zu verstehen<\/li>\n<li>Wir hoffen das konnte diese Folge ganz gut zeigen<\/li>\n<li>Als Data scientist braucht man ein gewisses Ma\u00df an Frustrationstoleranz, aber vor allem Spa\u00df am konstruktiven und kreativen Umgang mit Problemen und L\u00f6sungswegen<\/li>\n<li>F\u00e4higkeiten in Sachen Programmieren und Statistik k\u00f6nnen ziemlich wichtig sein<\/li>\n<li>Inzwischen muss man nicht mehr Quereinsteigen in dieses Feld, sondern es gibt inzwischen Studieng\u00e4nge<\/li>\n<li>Das war es so grob, worum es diese Folge ging<\/li>\n<\/ul>\n<h3>N\u00e4chste Folge: Wasserspiegel Anfang Juli 2022 (00:31:37)<\/h3>\n<ul>\n<li>Es geht um das Klima, wir machen mit der klimadaten-Reihe weiter<\/li>\n<li>Wir hatten in <a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/11\/07\/dl007-klimadaten\/\">dl007: klimadaten<\/a> \u00fcber die Aspekte Waldbr\u00e4nde, Meeresspiegelanstieg und Temperaturkurven geredet und dann zu jedem eine eigene Folge machen wollen<\/li>\n<li>Davon sind bereits erschienen: <a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/11\/28\/dl008-temperaturkurven\/\">dl008: temperaturkurven<\/a> und <a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/05\/22\/dl014-waldbraende\/\">dl014: waldbr\u00e4nde<\/a><\/li>\n<li>Jetzt geht es in Folge 28 weiter mit Meeres- bzw. Wasserspiegel<\/li>\n<li>Daf\u00fcr gucken wir uns die letzten beiden Ver\u00f6ffentlichung des IPCC Berichtes an<\/li>\n<li>Wir gucken uns an wie sich das da mit dem Meeresspiegel und der Klimakrise und grunds\u00e4tzlich Wasser auf diesem Planeten verh\u00e4lt<\/li>\n<\/ul>\n<h3>Call to Action (00:32:27)<\/h3>\n<ul>\n<li>Wenn ihr uns weiter h\u00f6ren m\u00f6chtet, folgt uns auf Twitter unter <a href=\"https:\/\/twitter.com\/datenleben\">@datenleben<\/a> &amp; Mastodon unter <a href=\"https:\/\/chaos.social\/@datenleben\">@datenleben@chaos.social<\/a><\/li>\n<li>Oder besucht unsere Webseite: <a href=\"https:\/\/www.datenleben.de\/\">www.datenleben.de<\/a><\/li>\n<li>Hinterlasst uns gerne Feedback, wir w\u00fcrden uns dar\u00fcber sehr freuen<\/li>\n<li>Ihr k\u00f6nnt uns als Data Scientists auch Buchen f\u00fcr Analysen oder Projekte<\/li>\n<li>Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!<\/li>\n<\/ul>\n<h3>Outro (00:33:05)<\/h3>\n<h3>Schlagworte zur Folge<\/h3>\n<p>Data Science, Podcast, Ziel, Inhalt, datenleben<\/p>\n<h3>Quellen<\/h3>\n<ul>\n<li><a href=\"https:\/\/twitter.com\/BecomingDataSci\/status\/1537459954856169473\">Twitter, @BecomingDataSci: &quot;... If you're considering going into this field, ...&quot;<\/a><\/li>\n<li><a href=\"https:\/\/broadcast.sap.com\/replay\/220525_wids_amer\">Broadcast SAP, Women in Data Science (America Sessions): Interview - SQL for Data Scientists, ab 33:55<\/a><\/li>\n<li><a href=\"https:\/\/www.youtube.com\/watch?v=PxCVbpDYaCM\">YouTube, PyData: Dr. Setareh Sadjadi: Do we really need Data Scientists?<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/DevOps\">Wikipedia: DevOps<\/a><\/li>\n<li><a href=\"https:\/\/de.wikipedia.org\/wiki\/Quietscheentchen-Debugging\">Wikipedia: Quietscheentchen-Debugging<\/a><\/li>\n<li><a href=\"https:\/\/www.widsconference.org\/\">Women in Data Science Conference: https:\/\/www.widsconference.org\/<\/a><\/li>\n<li><a href=\"https:\/\/www.studis-online.de\/studium\/data-science-data-management\/bachelor\/\">Studies-Online: Data Science \/ Data Management, Bachelor<\/a><\/li>\n<li><a href=\"https:\/\/www.studis-online.de\/studium\/data-science-data-management\/bachelor\/\">Studies-Online: Data Science \/ Data Management, Master<\/a><\/li>\n<\/ul>\n<h3>Weiterf\u00fchrende Links<\/h3>\n<ul>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/07\/04\/dl001-data-science\/\">dl001: data science<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/04\/24\/dl013-daten-visualisieren\/\">dl013: datenvisualisierung<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/09\/05\/folge-004-racial-profiling\/\">dl004: racial profiling<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2022\/02\/26\/dl023-web-scraping-weihnachtsmarkt\/\">dl023: web scraping weihnachtsmarkt<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/11\/07\/dl007-klimadaten\/\">dl007: klimadaten<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2020\/11\/28\/dl008-temperaturkurven\/\">dl008: temperaturkurven<\/a><\/li>\n<li><a href=\"https:\/\/www.datenleben.de\/index.php\/2021\/05\/22\/dl014-waldbraende\/\">dl014: waldbr\u00e4nde<\/a><\/li>\n<\/ul>\n","protected":false},"author":2,"featured_media":592,"comment_status":"open","ping_status":"open","template":"","meta":{"footnotes":""},"tags":[],"class_list":["post-594","podcast","type-podcast","status-publish","has-post-thumbnail","hentry","post"],"_links":{"self":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/594","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes"}],"about":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/types\/podcast"}],"author":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/comments?post=594"}],"version-history":[{"count":2,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/594\/revisions"}],"predecessor-version":[{"id":596,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/episodes\/594\/revisions\/596"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/media\/592"}],"wp:attachment":[{"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/media?parent=594"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datenleben.de\/index.php\/wp-json\/wp\/v2\/tags?post=594"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}