|
Empfohlene Vorkenntnisse
|
Grundlagen Statistik, Grundlagen Datenbanken und Modellierung
|
|
Lehrform
|
Seminar/Vorlesung/Praxis
|
|
Lernziele / Kompetenzen
|
MODULZIELE
- Die Studierenden verstehen Methoden der Datenanalyse und können sie anwenden. Sie können deren Wert, den notwendigen Aufwand und damit verbundene Risiken einschätzen.
- Die Studierenden erlangen im Modul Data Analytics konzeptionelle und technische Fertigkeiten zur Datenanalyse mit entsprechenden IT-Systemen.
LERNINHALTE
- Data Preparation
- Data Mining
- Predictive Analytics
- Big Data
- Trends in der Datenanalyse
METHODIK
- Zuhören und Verstehen, Anwenden (mathematisch und am Rechner) und Analysieren, Zusammenführen und Beurteilen.
|
|
Dauer
|
1
|
|
SWS
|
6.0
|
|
Aufwand
|
|
Lehrveranstaltung
|
90
|
|
Selbststudium / Gruppenarbeit:
|
210
|
|
Workload
|
300
|
|
|
ECTS
|
10.0
|
|
Voraussetzungen für die Vergabe von LP
|
gemeinsame Modulprüfung für M+I652 und M+I654:
1 K60 (2/3)
1 RE (1/3)
|
|
Leistungspunkte Noten
|
Modulprüfung: Klausur (K60) und Referat
|
|
Modulverantwortlicher
|
Prof. Dr. Volker Sänger
|
|
Empf. Semester
|
1-3
|
|
Haeufigkeit
|
jedes Jahr (WS)
|
|
Verwendbarkeit
|
VERWENDBARKEIT
- MuK (Master)
- DEC (Master)
STATUS
MuK Master - Vertiefungsmodul in der Studienrichtung IT: Interaktion in vernetzten Welten
|
|
Veranstaltungen
|
Data Modelling, Mining and Analytics
| Art |
Vorlesung |
| Nr. |
M+I652 |
| SWS |
4.0 |
| Lerninhalt |
Die LV gliedert sich folgendermaßen:
- Data Mining, CRISP, Ähnlichkeits- und Abstandsmaße
- Data Preparation
- Lineare Regression
- Zeitreihen
- Lineare Optimierung
- Clustering, Klassifikation, Assoziation, Generalisierung
- Visualisierung
Folgende Lernziele und Kompetenzen werden gemeinsam mit den Studierenden erarbeitet:
• Prinzipien und Methoden des Data Mining und der Datenanalyse kennen und verstehen und
• auf gegebene Problemstellungen aus verschiedenen Anwendungsbereichen anwenden können |
| Literatur |
Die aktuelle Literaturliste wird in der Vorlesung bekannt gegeben. Auszug aus der Literaturliste:
- Cleve, J./Lämmel, U. (2020): Data Mining. München
- Albright, S.C./Winston, W.L. (2019): Business Analytics. Cengage Learning
- C.T. Ragsdale (2016): Spreadsheet Modeling & Decision Analysis, Cengage Learning
|
Trends im Datenmanagement
| Art |
Seminar |
| Nr. |
M+I654 |
| SWS |
2.0 |
| Lerninhalt |
- Für die Studierenden werden aktuelle Themen im Datenmanagement vergeben
- Nach einer Kurzeinführung durch den Dozenten bearbeiten die Studierenden die Themen selbstständig, recherchieren in der Literatur und präsentieren die Ergebnisse
Lernziele:
- ein aktuelles Thema im Datenmanagement wissenschaftlich recherchieren und strukturiert aufarbeiten und präsentieren können
- weitere aktuelle Themen kennen und verstehen
|
| Literatur |
Die aktuelle Literaturliste wird in der Vorlesung bekannt gegeben.
- J. Cleve, U. Lämmel. Data Mining. Oldenburg Wissenschaftsverlag, 2014 (ebook)
- S.C. Albright, W.L. Winston: Business Analytics. Cengage Learning, 2013
- C.T. Ragsdale. Spreadsheet Modeling & Decision Analysis, Cengage Learning, 2015
- E. Alpaydin: Maschinelles Lernen. Oldenburg Verlag, 2008
|
|