Vorkenntnisse und Lernziele

1.1. Vorkenntnisse und Lernziele#

Dieses JupyterBook erfordert ein allgemeines Verständnis darüber, wie Datensätze strukturiert sind, einschließlich grundlegender Begriffe wie Variablen. Zudem sollten Anwendende mit Konzepten wie Metadaten und Datendokumentationen vertraut sein.

Für die Kapitel 2. Technologien verstehen: Semantic Web & Linked Data, 3. Werkzeuge kennenlernen: DCAT-AP Metadatenstandard sowie 4. Datenqualität messen: Metadata Quality Assessment werden darüber hinaus keine Vorkenntnisse benötigt. Sie wurden für ein Einstiegslevel konzipiert und geben einen grundlegenden Einblick in die theoretischen Konzepte.

Für das Kapitel 5. Praxis anwenden: SPARQL ist ein Grundinteresse bzw. -verständnis für Abfragengestaltung und Erfragen von Metadaten hilfreich, da Sie dort mit der Abfragesprache SPARQL arbeiten werden. Grundlegende Kenntnisse diesbezüglich sind für dieses Kapitel von Vorteil, aber keine Voraussetzung, da alle Aspekte ausführlich erläutert werden. Wenn Sie SPARQL bereits beherrschen, können Sie sich auch gleich an die Übungen wagen.

Falls sie über keinerlei Vorkenntnisse zu den hier behandelten Themen verfügen, empfehlen wir Ihnen, die Kapitel in der angegebenen Reihenfolge durchzugehen. Ansonsten sind Sie in der Wahl der zu absolvierenden Kapitel selbstverständlich frei.

Beim Durchgehen dieses JupyterBooks werden Sie folgende Lernziele erreichen:

Technologien verstehen: Semantic Web & Linked Data

  1. Begriffe wie Semantic Web und semantische Technologien können definiert werden.

  2. Die Rolle von RDF im Semantic Web kann erklärt werden.

Werkzeuge kennenlernen: DCAT-AP Metadatenstandard

  1. Der DCAT-Standard kann definiert und seine Rolle im Datenaustausch beschreiben werden.

  2. Die Hauptmerkmale des Dublin Core-Metadatenstandards können genannt werden.

  3. Die Ableitung von DCAT-AP.de aus DCAT-AP und dessen Anwendung in Deutschland kann erläutert werden.

  4. Einfache Metadaten können gemäß DCAT-AP beschrieben werden.

Datenqualität messen: Metadata Quality Assessment

  1. Die Funktionen des Metadata Quality Assessment (MQA) können beschrieben werden.

Praxis anwenden: SPARQL

  1. Die grundlegenden Komponenten der SPARQL-Syntax können aufgezählt und ihre Rollen erläutert werden.

  2. Einfache SPARQL-Abfragen können erstellt und durchgeführt werden, um spezifische Informationen aus einem Datenkatalog abzurufen.