Big Data Analytics

Fakultät

Fakultät Agrarwissenschaften und Landschaftsarchitektur (AuL)

Version

Version 1 vom 16.07.2025.

Modulkennung

44M0139

Niveaustufe

Master

Unterrichtssprache

Deutsch, Englisch

ECTS-Leistungspunkte und Benotung

5.0

Häufigkeit des Angebots des Moduls

nur Sommersemester

Dauer des Moduls

1 Semester

 

 

Kurzbeschreibung

Das Modul „Big Data Analytics“ ermöglicht Studierenden, fundierte Kenntnisse und praktische Fähigkeiten im Umgang mit großen und komplexen Datensätzen zu erwerben. Der Fokus liegt auf der Analyse unstrukturierter Daten, insbesondere Textdaten, aus verschiedenen Quellen wie Online-Medien, Social Media und Online-Handel. Die Studierenden lernen, mittels R und Python verschiedene Analysemethoden anzuwenden und Techniken der künstlichen Intelligenz zu nutzen, um aus Bildern, Videos und Tonaufnahmen Informationen zu extrahieren und diese weiter zu analysieren. Das Modul fördert die Entwicklung von Fähigkeiten zur Datenaufbereitung, -analyse und -visualisierung sowie zur Interpretation der Ergebnisse im Kontext der jeweiligen Fragen. Damit erwerben die Studierenden nicht nur technische Kompetenzen, sondern auch die Fähigkeit, datenbasierte Entscheidungen zu treffen. Die praxisorientierte Ausbildung bereitet die Studierenden auf die Herausforderungen der datengetriebenen Welt vor und stärkt ihre Qualifikationen für den Arbeitsmarkt im Bereich der Datenanalyse und -wissenschaft.

Lehr-Lerninhalte

Explorative Datenanalyse mit R und Python

Verfahren zur Analyse von Textdaten

Einsatz von Künstlicher Intelligenz in der Datenanalyse

Gesamtarbeitsaufwand

Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").

Lehr- und Lernformen
Dozentengebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
30Seminar-
Dozentenungebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
100Arbeit in Kleingruppen-
20Veranstaltungsvor- und -nachbereitung-
Benotete Prüfungsleistung
  • Fallstudie (schriftlich)
Unbenotete Prüfungsleistung
  • regelmäßige Teilnahme
Bemerkung zur Prüfungsart

Standardprüfungsform: Fallstudie (schriftlich) (alternative Prüfungsleistungen werden ggf. von der prüfenden Person ausgewählt und zu Veranstaltungsbeginn bekannt gegeben)

Regelmäßige Teilnahme (RT) - unbenotet

Prüfungsdauer und Prüfungsumfang

Der Bearbeitungszeitraum für die Fallstudie beträgt zwischen 1 - 2 Wochen. Anschließend präsentieren die Studierenden die Ergebnisse im Rahmen von maximal 30 Minuten.

Empfohlene Vorkenntnisse

Für die Teilnahme an diesem Seminar werden Grundkenntnisse in der explorativen Datenanalyse mit R und dem Tidyverse vorausgesetzt. Eine gute Vorbereitung bieten die Inhalte aus dem Modul „Empirisches Arbeiten“. Weiterhin sind Kenntnisse in der Programmiersprache Python von Vorteil, aber nicht notwendig.

Wissensverbreiterung

Die Studierenden können die Schritte der explorativen Datenanalyse beschreiben und die Notwendigkeit für jeden Schritt darlegen.

Die Studierenden kennen moderne Analysewerkzeuge für die explorative Datenanalyse sowie für die Verarbeitung von unstrukturierten Daten.

Wissensvertiefung

Die Studierenden können zwischen strukturierten und unstrukturierten Daten unterscheiden und Merkmale benennen.

Die Studierenden kennen Methoden, um unstrukturierte Daten zu analysieren und aus ihnen strukturierte Metadaten abzuleiten.  Sie können für unterschiedliche Daten wie Bilder, Video, Audio und Texte entsprechende Methoden identifizieren.

Wissensverständnis

Die Studierenden können geeignete Funktionen eines Analysewerkzeugs wie R oder Python für die einzelnen Schritte der explorativen Datenanalyse identifizieren und ihren Einsatz begründen.

Nutzung und Transfer

Die Studierenden sind in der Lage, sich in neue und komplexe Datensätze einzuarbeiten und geeignete Metainformationen zu extrahieren.

Die Studierenden erstellen Lösungen für explorative Datenanalysen mit den Programmiersprachen R oder Python.

Die Studierenden entwickeln Strategien für die Analyse komplexer Datensätze unter Berücksichtigung der Forschungsfrage. Sie können notwendige Vorverarbeitungsschritte identifizieren und umsetzen.

Wissenschaftliche Innovation

Die Studierenden entwickeln eigene Forschungsfragen im Hinblick auf einen oder mehrere vorliegende Datensätze.

Die Studierenden können Hypothesen in Bezug auf einen unbekannten Datensatz aufstellen und mit geeigneten explorativen Analysemethoden überprüfen.

Kommunikation und Kooperation

Die Studierenden erstellen geeignete Datenvisualisierungen, die den wissenschaftlichen Kriterien genügen und den Sachverhalt präzise darstellen.

Die Studierenden strukturieren die Ergebnisse ihrer Analysen und präsentieren sie in kohärenter Form.

Wissenschaftliches Selbstverständnis / Professionalität

Die Studierenden entwickeln sich zu datenkompetenten Mitgliedern der Gesellschaft, die kritisch auf externe Analysen und Visualisierungen blicken, den Analyseweg überpüfen und gleichzeitig eigene Analysen durchführen können.

Literatur

Wickham, Hadley, et al. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. 2nd edition, O’Reilly Media, Inc, 2023.

Weitere Literaturempfehlungen werden zu Beginn der Veranstaltung bekannt gegeben.

Zusammenhang mit anderen Modulen

Das Modul ist inhaltlich mit dem Modul „Applications of Artificial Intelligence“ verwandt und stellt eine sinnvolle Erweiterung für alle Studierenden dar, die ihre digitalen Kompetenzen und speziell ihre Datenkompetenz (Data Literacy) stärken möchten.

Verwendbarkeit nach Studiengängen

  • Angewandte Nutztierwissenschaften
    • Angewandte Nutztierwissenschaften M.Sc. (01.09.2025)

  • Angewandte Pflanzenwissenschaften
    • Angewandte Pflanzenwissenschaften M.Sc. (01.09.2025)

  • Agrar- und Lebensmittelwirtschaft
    • Agrar- und Lebensmittelwirtschaft M.Sc. (01.09.2025)

    Modulpromotor*in
    • Meseth, Nicolas
    Lehrende
    • Meseth, Nicolas