July 02, 2022

dl027: data science – 2 jahre datenleben

33 minutes

Intro (00:00:00)

Thema des Podcasts (00:00:18)

Willkommen zu unserer 27. Folge beim datenleben-Podcast, dem Podcast über Data Science.

Wir sind Helena und Janine und möchten mit euch die Welt der Daten erkunden.

Es wird immer wichtiger Daten in das Große Ganze einordnen zu können.

In unserem Podcast wollen wir deswegen Data Science anhand von Themen erklären, die uns alle betreffen.

Thema der Folge (00:00:38)

Eigentlich war für diese Folge das Thema Meeresspiegel bzw. Wasserspiegel angekündigt

Aber wie ihr wir hatten Urlaub und 50% von uns waren danach krank, das hat uns ein bisschen die eigentlichen Pläne zerrupft

Am 04. Juli 2020 haben wir diesen Podcast das erste Mal auf die Welt losgelassen

Seitdem haben wir über 24 Stunden Inhalt produziert; und! es sind viele Hörer*innen dazugekommen

Hallo ihr alle, wir freuen uns, dass ihr uns hört

Wir wollen gleich ein bisschen den Blick zurück werfen und Helena erzählt nochmal, was Data Science ist und ob mensch das überhaupt braucht...

Janine erzählt was wir hier eigentlich machen und warum wir das so machen, wie wir es tun

Und wir highlighten Folgen, die aus unserer Sicht einen guten Einstieg anbieten, weil sie sehr elementare Dinge/Probleme/whatever von Data Science aufzeigen

Warum ist das Thema interessant? (00:02:20)

Das hier wird eine Art Überblicksfolge, weil datenleben jetzt zwei Jahre alt ist

Data Science revisited: Folge 1 vielleicht ein bisschen geupdatet, aber vermutlich nicht ganz überlappend mit Folge 1

Folge 1 wird immer noch am allermeisten gehört, aber da waren wir noch ganz frisch und vielleicht noch nicht so gut

Deswegen nutzen wir das Jubiläum, für ein Update, auch für neue Hörer*innen, die dazu kommen

Einspieler: Data Science und datenleben (00:02:59)

Stell dir vor du lebst in einer Welt voller Daten... oh wait...

Stell dir vor du könnsten automatisiert diese Daten erfassen und auswerten... oh wait...

Ich glaube wir brauchen uns diese dinge nicht vorstellen, sie sind längst Realität und für jede einzelne Generation wird das alles um so selbstverständlicher

Früher haben wir noch per Telefonzelle bescheid gegeben

Heute können wir prinzipiell die Wege von Menschen ins kleinste Detail nachvollziehen

Datenerhebung war noch nie so einfach

Aber damit geht auch Verantwortung einher... oh und nicht zu vergessen die Fähigkeit die Masse an Daten zu überblicken

Und das können Data Scientists für uns übernehmen, wenn wir als Gesellschaft zwischen den Datenpunkten zu ertrinken drohen

Data Science heißt für uns

Sich der Daten bewusst zu werden

Die Daten zu erheben und aufzubereiten

Daten und ihre Kontexte kritisch betrachten zu können

Das Messverfahren zu kennen

Menschen dazu befähigen mittels Daten informierte Entscheidungen treffen zu können

Unser Podcast soll Überblicke und Einsichten in die verschiedenen Themen von Data Science bieten

Mal am konkreten Alltag gezeigt

Mal an globalen Themen betrachtet

Und nebenbei auf wichtige Themen wissenschaftlicher und gesellschaftlicher Art eingehen

Themen aufzeigen, die unser Leben, unsere Umwelt und unseren Alltag betreffen können

Was machen wir hier eigentlich und warum so? (00:04:41)

vor 2 jahren haben wir diesen podcast gestartet und es macht uns immer noch spaß

Folge 1 ist jetzt lange her, wir dachten, wir gucken uns dieses Thema nochmal kurz und knapp an für alle, die neu zum Podcast gekommen sind und nicht von Folge 1 ab alles nachhören

Wer in unsere Folgen Historie schaut, könnte sich vielleicht Fragen, geht es wirklich um Data Science?

Klar, wir sprechen zum Beispiel über Standarddatensätze oder Datenvisualisierung, das klingt schon sehr nach Data Science

Aber warum auch über Klimawandel, Studien zu Drogen oder über Wahlumfragen reden?

Weil Forschung immer Daten erhebt, die ausgewertet werden und weil Data Science sich damit beschäftigt WIE Daten ausgewertet werden können

Wir sind keine Klimaforscherinnen, keine Unfallexpertinnen...

Aber unser Zugang zu den Themen basiert nicht darauf alles über die Disziplin zu wissen, mit der wir uns befassen, sondern anzusehen, wie mit den Daten umgegangen wird und werden kann

Im Wesentlichen ist das auch die Arbeit von Data Scientists:

Es gibt immer wieder neue Kontexte, neue Projekte, in die sich eingearbeitet werden muss

Eins bleibt dabei immer gleich: Die Expertise im Umgang mit Daten

Wie suchen wir die themen aus?

Danach, was wir selbst an Interessen haben und was wir wichtig finden, dass sich Menschen darüber Gedanken machen

Wovon wir denken, dass es a) im Kontext Data Science spannend ist

Und die b) gut illustrieren, wie Data Science mit unserem Leben, unseren Entscheidungen verzahnt ist

Wir wollen dazu anregen auch auf Basis von Daten informierte Entscheidungen zu treffen

Es ist nicht so leicht anhand von Informationen ein garantiertes Ergebnis vorherzusagen

Helena hat Star Trek "Strange new Worlds" geguckt und findet die Herangehensweise der Vulkanier nicht zielführend, keine Entscheidungen zu treffen, wenn nicht alle Informationen vorliegen, denn oft gibt es diesen Zeitpunkt nicht, wo alles bekannt ist

Nicht zu reagieren, auch wenn zeitkritisch reagiert werden muss, hat auch Einfluss auf das Ergebnis (Beispiel: Pandemie, Handeln war nötig, obwohl vieles anfangs noch unbekannt war)

Helena widerspricht den vermeintlich extram logischen Vulkaniern, denn man muss auch mit unvollständigen Informationen informierte Entscheidungen treffen

Und das ist ein Kernpunkt von Data Science

Was ist Data Science, braucht man das? (00:08:58)

Wir brauchen Data Science, weil wir so viele Daten haben, dass wir Menschen brauchen, die wissen, wie damit umzugehen ist

Wir brauchen nicht nur Statistiker*innen, Datan Analysts, sondern auch Menschen, die die Daten erfassen, etc.

Beispiel: Flugpläne optimieren, die richtige Frage formulieren, die dann zu einem passenden Ergebnis führt und mit Daten beantwortet werden kann

Antworten müssen in einer verständlichen Sprache formuliert werden

Problem: Manchmal werden Dinge vorhergesagt, die nicht eintreffen, weil sich die Gegebenheiten geändert haben, ein Denkfehler dabei war, etc. damit muss man umgehen können

'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! ' @BecomingDataSci, Twitter

Deutsch etwa: Wenn du vor hast im Bereich Data Science zu arbeiten, denk darüber nach, wie gern du auch Ergebnisse, die nicht so richtig eine klare Antwort geben, kommunizieren möchtest; vor allem, wenn die sich später als falsche herausstellen

Also wie Du damit umgehen kannst und dass du damit umgehen kannst, dich auch mal geirrt zu haben (sehr relevanter Punkt)

Verschiede Subbereiche von Data Science Interview - SQL for Data Scientists, ab 33:55

Data Analyst -> wertet Daten aus/arbeitet mit Daten

Data Engineer -> sammeln Rohdaten und verarbeiten so, dass die für andere nutzbar sind

Machine Learning Specialist

Helena war im April auf einer Data Scienc Konferenz, da gab es einen Vortrag "Braucht man überhaupt noch Data Scientists"? Dr. Setareh Sadjadi: Do we really need Data Scientists?

Überlegung 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 kürze selbst überholt hätte

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

Ausserdem gäbe es mittlerweile so viele selbst ernannte Data Siencetists, dass der Markt gesättigt sei

Die Vortragende selbst berichtet aber davon wie schwierig es ist überhaupt Data Scientists zu finden, daher hält sie das Argument für vorgeschoben dass schon zuviele gäbe

Und wer mit Machine Learning gearbeitet hat, weiß, dass es uns nicht so schnell überflüssig machen wird, wie manche Leute das gerne behaupten

Entwicklung der Künstlichen Intelligenz ist viel langer als es nach außen den Anschein macht, es braucht hier noch den Menschen, der sich die Dinge auch ansieht und bewertet

Data Science scheint also sehr umfangreich zu sein, welche Skills muss man so mitbringen?

Auf jeden Fall statistisches Grundwissen und man sollte schon Programmieren können, insbesondere

Technische Key Skills:

Python oder R -> sind die wesentlichen Programmiersprachen in diesem Bereich

Tools: Jupyter Notebook bzw. RStudio als Entwicklungsumgebungen sinnvoll

Erfahrungen mit verschiedenen Formen von Daten, wie Datenbanken, z.B. SQL

Grundverständnis von Cloudsystemen und Softwareadministration, z.B. Docker

Es geht bei Data Science nicht nur darum Daten einmalig auszuwerten, sondern das ganze kontinuierlich machen zu können

Daher schadet es nicht, ein bisschen was mit DevOps-Methoden anfangen zu können

Je nach Bereich in den man geht, sollte man auch die Erfahrungen sammeln, z.B. Maschine Learning

Aber Data Science ist nicht nur Maschine Learning! Es gibt viele Themen, die komplett ohne auskommen und es ist auch nicht immer die beste Lösung

Nicht-Technische Key Skills:

Kommunication sowohl mit technischen Personen und nicht-technischen Personen notwendig

Hartnäckickigkeit, wenn Dinge nicht funktionieren, viel trial and error aushalten

Kreativität im Umgang mit den Daten und um neue Lösungswege zu finden

Tipps für Kreatiefs: Rubber Duck Debugging, Pausen/Spaziergänge, einfach mal schlafen (;

Neugier ist wichtig, recherchieren, wie andere Leute Dinge machen, bereit sein mehr zu lernen

Viele der genannten Dinge sind im Vortrag SQL for Data Scientists (ab 33:55) auf der Women in Data Science Conference enthalten

Was tun um Data Scientist zu werden?

Eine Option ist der Quereinstieg aus Informatik oder einer wissenschaftlichen Fachrichtung, insbesondere wenn eh viel mit Daten gearbeitet wurde

Es hilft in Projekten zu sein, wo andere mit Daten arbeiten; man muss nicht alles von Anfang an können, manchmal lernt man einfach während man dran arbeitet

Es gibt mittlerweile Data Science als Studiengang an verschiedenen

deutschen Unis:

Studis online: Studiengänge Data Science / Data Management, Bachelor

Studis online: Studiengänge Data Science / Data Management, Master

Versucht während des Studiums schon thematisch passend zu Arbeiten, viele große Unternehmen und Forschungsinstitute haben sogenannte Werksstudentenjobs

Erfahrung unter realistischen Bedingungen sammeln kann, ohne dass gleich verlangt wird dass man alles schon kann

Welche Folgen empfehlen wir zum Einstieg? (00:24:48)

In welche Folgen lohnt es sich am meisten reinzuhören, als Neuhörer*in?

Wir wollen drei Folgen nennen, die besonders gut auf bestimmte Aspekte von Data Science eingehen

dl013: datenvisualisierung

Technische Einblicke in Datenvisualisierung mit Data Science

Es geht nicht nur um die Darstellung selbst (Kommunikation von Daten)

... sondern auch um das Kennenlernen von Daten (Exploration)

... und das überprüfen der Methode/Modelle der Analyse (Verifikation)

dl004: racial profiling

Beschäftigt sich damit woher Daten kommen und was die Konsequenzen daraus sind

Welchen Effekt hat die Herkunft der Daten und was passiert, wenn z.B. Justizbehörden auf Basis von Daten Urteile fällen

Ein sehr akutes Beispiel ist die Illegalisierung von Abtreibungen in einigen Staaten der USA

Besonders kritisch vor dem Hintergrund welche Datenspuren wir in unserem Alltag hinterlassen: Einkäufe von Schwangerschaftstests mit EC oder Kreditkarte, Apps, die den Zyklus tracken, etc.

Eins Beispiel dafür, wie scheinbar "unschuldige" Daten schädlich genutzt werden können, nur weil sich die Gesetzeslage ändert

Und genau darum geht es in Folge 4, nur eben am Beispiel racial profiling

dl023: web scraping weihnachtsmarkt

Wir haben interessante Daten im Internet gefunden und die könnten wir ja mal benutzen

Worum es genau geht: Kontext von Daten ist wichtig – Kenne dein Messverfahren

Das sind die Folgen, die wir für einen schnellen Einstieg zu Kernaspekten von Data Science empfehlen, aber natürlich seid ihr herzlich eingeladen alle anderen auch zu hören

Fazit (00:29:54)

In unserem Podcast gibt es technische, aber auch gesellschaftliche Themen, in wie fern Daten unser Leben beeinflussen

Es gibt aber auch den wissenschaftlichen Teil, zum Beispile die Klimadaten

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

Wir hoffen das konnte diese Folge ganz gut zeigen

Als Data scientist braucht man ein gewisses Maß an Frustrationstoleranz, aber vor allem Spaß am konstruktiven und kreativen Umgang mit Problemen und Lösungswegen

Fähigkeiten in Sachen Programmieren und Statistik können ziemlich wichtig sein

Inzwischen muss man nicht mehr Quereinsteigen in dieses Feld, sondern es gibt inzwischen Studiengänge

Das war es so grob, worum es diese Folge ging

Nächste Folge: Wasserspiegel Anfang Juli 2022 (00:31:37)

Es geht um das Klima, wir machen mit der klimadaten-Reihe weiter

Wir hatten in dl007: klimadaten über die Aspekte Waldbrände, Meeresspiegelanstieg und Temperaturkurven geredet und dann zu jedem eine eigene Folge machen wollen

Davon sind bereits erschienen: dl008: temperaturkurven und dl014: waldbrände

Jetzt geht es in Folge 28 weiter mit Meeres- bzw. Wasserspiegel

Dafür gucken wir uns die letzten beiden Veröffentlichung des IPCC Berichtes an

Wir gucken uns an wie sich das da mit dem Meeresspiegel und der Klimakrise und grundsätzlich Wasser auf diesem Planeten verhält

Call to Action (00:32:27)

Wenn ihr uns weiter hören möchtet, folgt uns auf Twitter unter @datenleben & Mastodon unter @[email protected]

Oder besucht unsere Webseite: www.datenleben.de

Hinterlasst uns gerne Feedback, wir würden uns darüber sehr freuen

Ihr könnt uns als Data Scientists auch Buchen für Analysen oder Projekte

Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!

Outro (00:33:05)

Schlagworte zur Folge

Data Science, Podcast, Ziel, Inhalt, datenleben

Quellen

Twitter, @BecomingDataSci: "... If you're considering going into this field, ..."

Broadcast SAP, Women in Data Science (America Sessions): Interview - SQL for Data Scientists, ab 33:55

YouTube, PyData: Dr. Setareh Sadjadi: Do we really need Data Scientists?

Wikipedia: DevOps

Wikipedia: Quietscheentchen-Debugging

Women in Data Science Conference: https://www.widsconference.org/

Studies-Online: Data Science / Data Management, Bachelor

Studies-Online: Data Science / Data Management, Master

Weiterführende Links

dl001: data science

dl013: datenvisualisierung

dl004: racial profiling

dl023: web scraping weihnachtsmarkt

dl007: klimadaten

dl008: temperaturkurven

dl014: waldbrände

...more

View all episodes

By datenleben