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. Workload Lehrtyp Mediale Umsetzung Konkretisierung 30 Seminar - Dozentenungebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 100 Arbeit in Kleingruppen - 20 Veranstaltungsvor- 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