Informatik

Mit den Schwerpunkten "Data Science & Analytics" oder "Advanced Software Engineering". Möglichkeit eines Master-Studiums parallel zu Job oder Familie
Bewerben Studienberatung
Fakultät EMI

Modulhandbuch

←  Zurück 

Advanced Business Intelligence

Empfohlene Vorkenntnisse

Kenntnisse in Datenbanken und Business Intelligence.
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden verfügen über ein vertieftes detailliertes, theoretisches Wissen zu Business Intelligence und kennen die Konzepte des Data Minings. Sie können Konzepte aus diesen beiden Bereichen zusammenführen und bewerten.
Die Studierenden entwickeln ein vertieftes Verständnis für Problemstellungen und Lösungsmöglichkeiten. Sie kennen die unterschiedlichen methodische Ansätze des Data Minings und sind in der Lage, Methoden aus dem methodischen Repertoire aufgrund der Problemstellung auszuwählen und anzuwenden.
Sie sind in der Lage, Methoden des Data Mining anzuwenden, die Voraussetzungen für deren Anwendung umzusetzen und die mit den Methoden erreichten Ergebnisse zu beurteilen.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Advanced Business Intelligence" (K60)
"Praktikum  Advanced Business Intelligence" muss "m.E." attestiert sein
Leistungspunkte Noten

5 CP
Modulverantwortlicher

Prof. Dr. Stephan Trahasch
Max. Teilnehmer 15
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Master-Studiengang INFM
Veranstaltungen

Praktikum Data Mining

Art Praktikum
Nr. EMI2118
SWS 2.0
Lerninhalt

Praktische Umsetzung von Konzepten und Methoden des Data Minings in Übungen.

Bearbeitung von Fallstudien.

Data Mining

Art Vorlesung
Nr. EMI2117
SWS 2.0
Lerninhalt

Data Mining wird allgemein als Ansatz zur Aufdeckung neuartiger Muster oder Zusammenhänge in großen Datenbeständen aufgefasst. Die betrieblichen Anwendungsmöglichkeiten von Data Mining sowie deren methodische Grundlagen werden in dem Modul vorgestellt, diskutiert und angewandt. Neben den einzelnen Methoden des Data Minings wird der Gesamtprozess von der Datenvorbereitung bis hin zur Evaluation nach dem CRISP-Standard behandelt. Themen sind u.a.

  • Zeitreiehenanalyse
  • Random Forest
  • Gradient Boosting
  • Support Vector Machines
Literatur

Hastie, Trevor; Tibshirani, Robert; Friedman, J. H. (2017): The elements of statistical learning. Data mining, inference, and prediction. 12th ed. New York: Springer (Springer series in statistics).
Hyndman, Rob J. (2018): Forecasting. Principles and practice ; [a comprehensive indtroduction to the latest forecasting methods using R ; learn to improve your forecast accuracy using dozenss of real data examples.]. second print edition. Lexington, Ky.: Otexts.
Han, J., Kamber, M., Pei, J., Data Mining: Concepts and Techniques, 3rd ed. Burlington, Elsevier Science, 2011
Hand, D. J., Mannila, H., Smyth, P., Principles of data mining, Cambridge, Mass, MIT Press, 2001
←  Zurück