Data Science

Wirtschafts- und Sozialwissenschaften

Version 14.0 vom 08.02.2019

22M0993

Data Science

Wirtschaftsinformatik (Master) (M.Sc.)

5

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.

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)

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.

In seminaristischen Vorlesungen werden die theoretischen Grundlagen vermittelt und in zunehmend komplexeren Übungen anhand von Fallbeispielen behandelt.

DatenbankenGrundlagen Statistik

Faatz, Andreas

• Faatz, Andreas
• Bensberg, Frank
• Markovic-Bredthauer, Danijela
• Tapken, Heiko

5

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.

• Klausur 2-stündig
• Portfolio Prüfung
• Hausarbeit

Die Portfolio Prüfung umfasst insgesamt 100 Punkte. Sie setzt sich zusammen aus einer K1 (50 Punkte) und einer Hausarbeit (50 Punkte).

1 Semester

Nur Wintersemester

Deutsch