Daten-Analyse/Data Mining

Fakultät

Wirtschafts- und Sozialwissenschaften

Version

Version 4.0 vom 28.10.2020

Modulkennung

22B0332

Modulname (englisch)

Data Mining

Studiengänge mit diesem Modul

Betriebliches Informationsmanagement (B.Sc.)

Niveaustufe

3

Kurzbeschreibung

Für den betrieblichen Informationsmanager ist die Gewinnung von Informationen aus den im operativen Geschäft gespeicherten Daten von elementarer Bedeutung. Gängige Verfahren zur Datenanalyse und zum Extrahieren von bisher unbekannten Informationen werden vorgestellt.

Lehrinhalte
  1. Einführung Data Mining
  2. Darstellung des Data Mining Konzeptes
  3. Assoziationsanalysen
  4. Cluster-Analysen
  5. Zeitreihenanalysen
  6. Einführung in die Grundzüge von Neuronalen Netzen
  7. Data Mining Applikationen im Cluster
Lernergebnisse / Kompetenzziele

Wissensverbreiterung
Die Studierenden können die Möglichkeiten und Grenzen von analytischen Datenauswertungen bewerten und abschätzen.
Wissensvertiefung
Die Studierenden erklären und beschreiben wie Unternehmen Data Mining Projekte durchführen bzw. welche Ergebnisse und Nutzenpotentiale sie daraus gewinnen können.
Können - instrumentale Kompetenz
Die Studierenden können wesentliche Verfahren zur Datenauswertung und Datenpräsentation beherrschen sowie entsprechende Ergebnisinterpretationen durchführen.
Können - kommunikative Kompetenz
Die Studierenden können die Ergebnisse von Data Mining-Projekten verbal unter Nutzung aktuelle IT-Werkzeuge präsentieren und kommunizieren.
Können - systemische Kompetenz

Lehr-/Lernmethoden

Seminaristischer Unterricht mit unterschiedlichen Praxisübungen im Computerraum

Empfohlene Vorkenntnisse

keine

Modulpromotor

Dallmöller, Klaus

Lehrende
  • Dallmöller, Klaus
  • Faatz, Andreas
  • Bensberg, Frank
Leistungspunkte

5

Lehr-/Lernkonzept
Workload Dozentengebunden
Std. WorkloadLehrtyp
30Vorlesungen
30Übungen
Workload Dozentenungebunden
Std. WorkloadLehrtyp
40Veranstaltungsvor-/-nachbereitung
30Hausarbeiten
20Prüfungsvorbereitung
Literatur

Kamber; Han: Data Mining Concepts and Techniques, Morgan Kaufmann.Ester; Sander: Knowledge Discovery in Databases. Techniken und Anwendungen. Springer, Berlin 2000.Wickham, H.; Grolemund, G.: R for Data Science, Verlag O'Reilly, 2016Torgo, L.: Data Mining with R, Verlag CRC Press, 2011Lantz, B.: Machine Learning with R. 3. Edition, Verlag Packt>Weitere Literatur wird während der Veranstaltung angegeben.

Prüfungsleistung
  • Hausarbeit
  • Klausur 2-stündig
  • Portfolio Prüfung
Bemerkung zur Prüfungsform

Die Portfolio-Prüfung umfasst insgesamt 100 Punkte besteht aus einer Hausarbeit (HA) sowie einer ab-schließenden Klausur (K1). Die Hausarbeit und die Klausur (K1) werden jeweils mit 50 Punkten gewichtet

Dauer

1 Semester

Angebotsfrequenz

Nur Wintersemester

Lehrsprache

Deutsch