Data Science
- Fakultät
Wirtschafts- und Sozialwissenschaften
- Version
Version 14.0 vom 08.02.2019
- Modulkennung
22M0993
- Modulname (englisch)
Data Science
- Studiengänge mit diesem Modul
Wirtschaftsinformatik (Master) (M.Sc.)
- Niveaustufe
5
- Kurzbeschreibung
Das Modul vermittelt, wie aus strukturierten, unstrukturierten und aus mehreren Quellen kombinierten Daten mit Hilfe von Methoden der Inferenzstatistik und des maschinellen Lernens eine Unterstützung strategischer Geschäftsentscheidungen gewonnen werden kann.
- Lehrinhalte
Einführung/Überblick Maschinelles Lernen aus strukturierten Datenbanken
Einfache lineare Modelle
Neuronale Netzwerke
Kernel-Methoden & Support Vector Machines
Textmining
Webmining
andere Datenquellen: Sensormining und aktuelle Trends
funktionale Performanzevaluation / Kennziffern des maschinellen Lernens
Verteilungsansätze / extrafunktionale Evaluation (Laufzeiten und Privacy)
Präsentation und Storytelling (Visualisierung, Szenarienentwicklung und Verknüpfung mit strategischem Gehalt)
- Lernergebnisse / Kompetenzziele
Wissensverbreiterung
Studierende, die dieses Fach erfolgreich studiert haben, kennen eine anwendbare Auswahl an inferenzstatistischen Methoden und Techniken des maschinellen Lernens. Sie sind in der Lage, Datenstrukturen so zu sichten, vorzubereiten, zu kombinieren, aufzubereiten und darzustellen, dass die resultierenden statistischen Ergebnisse für ein kurz-, mittel- oder langfristiges unternehmerisches Ziel verwendbar sind.
Wissensvertiefung
Die Studierenden, die dieses Modul erfolgreich studiert haben, verfügen über detailliertes Wissen und haben ein kritisches Verständnis bezogen auf aktuelle Prinzipien und Konzepte der Inferenzstatistik und des maschinellen Lernens.
Können - instrumentale Kompetenz
Die erfolgreichen Studierenden verfügen über Spezialwissen und Fertigkeiten hinsichtlich grafischer und numerischer Verfahren aus dem Bereich Statistik / Data Science.
Können - kommunikative Kompetenz
Die Studierenden kommunizieren die statistischen und algorithmischen Ergebnisse anwenderfreundlich und können mit Hilfe verschiedener Darstellungsformen einen Bezug zu strategischen Zielen eines Unternehmens oder einer Organisation herstellen. Sie sind in der Lage, Datenquellen verschiedenster Strukturierungsgrade aus Unternehmen, Organisationen und aus der Welt der offen zugänglichen Daten hinsichtlich ihres Vorhandenseins, ihre Beschaffenheit und Verwendbarkeit zu ermitteln/erfragen und für statistische Zwecke zu erschließen.
Können - systemische Kompetenz
Die Studierenden sind in der Lage, sich neue Methoden aus dem Gebiet des Data Science durch eine Kombination aus mathematisch-formalem Leseverständnis, Wiederverwendung von Beispielcode und präziser Frageformulierung in gängigen Communityplattformen selbst zu erschließen.
- Lehr-/Lernmethoden
In seminaristischen Vorlesungen werden die theoretischen Grundlagen vermittelt und in zunehmend komplexeren Übungen anhand von Fallbeispielen behandelt.
- Empfohlene Vorkenntnisse
DatenbankenGrundlagen Statistik
- Modulpromotor
Faatz, Andreas
- Lehrende
- Faatz, Andreas
- Bensberg, Frank
- Markovic-Bredthauer, Danijela
- Tapken, Heiko
- Leistungspunkte
5
- Lehr-/Lernkonzept
Workload Dozentengebunden Std. Workload Lehrtyp 24 Vorlesungen 7 Vorlesungen Workload Dozentenungebunden Std. Workload Lehrtyp 70 Hausarbeiten 20 Hausarbeiten 29 Hausarbeiten
- Literatur
Field, Andy, Jeremy Miles, and Zoë Field. Discovering statistics using R. Sage publications, 2012.
Witten, Ian H., et al. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2016.
Zumel, Nina, John Mount, and Jim Porzak. Practical data science with R. Manning, 2014.
- Prüfungsleistung
- Klausur 2-stündig
- Portfolio Prüfung
- Hausarbeit
- Bemerkung zur Prüfungsform
Die Portfolio Prüfung umfasst insgesamt 100 Punkte. Sie setzt sich zusammen aus einer K1 (50 Punkte) und einer Hausarbeit (50 Punkte).
- Dauer
1 Semester
- Angebotsfrequenz
Nur Wintersemester
- Lehrsprache
Deutsch