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
- Einführung Data Mining
- Darstellung des Data Mining Konzeptes
- Assoziationsanalysen
- Cluster-Analysen
- Zeitreihenanalysen
- Einführung in die Grundzüge von Neuronalen Netzen
- 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. Workload Lehrtyp 30 Vorlesungen 30 Übungen Workload Dozentenungebunden Std. Workload Lehrtyp 40 Veranstaltungsvor-/-nachbereitung 30 Hausarbeiten 20 Prüfungsvorbereitung
- 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