• Mathematische Grundlagen der Data Science
• Data Science Prozess nach CRISP
• Explorative Datenanalyse
• Aufgaben und Verfahren des Maschinellen Lernens
• Data Science Werkzeuge (Programmiersprachen R oder Python, grafische Werkzeuge)
• Ethische und rechtliche Aspekte

Provost F, Fawcett T: Data science for business. O'Reilly, Sebastopol, Calif. (2013)
Abott, D: Applied Predictive Analytics, Wiley (2014)
Grolemund, G, Wickham, H: R for Data Science, O'Reilly (2017)

Data Mining wird allgemein als Ansatz zur Aufdeckung neuartiger Muster oder Zusammenhänge in großen Datenbeständen aufgefasst. Die betrieblichen Anwendungsmöglichkeiten von Data Mining sowie deren methodische Grundlagen werden in dem Modul vorgestellt, diskutiert und angewandt. Neben den einzelnen Methoden des Data Minings wird der Gesamtprozess von der Datenvorbereitung bis hin zur Evaluation nach dem CRISP-Standard behandelt. Themen sind u.a.

• Zeitreiehenanalyse
• Random Forest
• Gradient Boosting
• Support Vector Machines

Hastie, Trevor; Tibshirani, Robert; Friedman, J. H. (2017): The elements of statistical learning. Data mining, inference, and prediction. 12th ed. New York: Springer (Springer series in statistics).
Hyndman, Rob J. (2018): Forecasting. Principles and practice ; [a comprehensive indtroduction to the latest forecasting methods using R ; learn to improve your forecast accuracy using dozenss of real data examples.]. second print edition. Lexington, Ky.: Otexts.
Han, J., Kamber, M., Pei, J., Data Mining: Concepts and Techniques, 3rd ed. Burlington, Elsevier Science, 2011
Hand, D. J., Mannila, H., Smyth, P., Principles of data mining, Cambridge, Mass, MIT Press, 2001