Medien und Kommunikation

Modulhandbuch

 Zurück 

Data Analytics

Empfohlene Vorkenntnisse

Grundlagen Statistik, Grundlagen Datenbanken und Modellierung

Lehrform Seminar/Vorlesung/Praxis
Lernziele / Kompetenzen

MODULZIELE

  • Die Studierenden verstehen Methoden der Datenanalyse und können sie anwenden. Sie können deren Wert, den notwendigen Aufwand und damit verbundene Risiken einschätzen.
  • Die Studierenden erlangen im Modul Data Analytics konzeptionelle und technische Fertigkeiten zur Datenanalyse mit entsprechenden IT-Systemen.

LERNINHALTE

  • Data Preparation
  • Data Mining
  • Predictive Analytics
  • Big Data
  • Trends in der Datenanalyse

METHODIK

  • Zuhören und Verstehen, Anwenden (mathematisch und am Rechner) und Analysieren, Zusammenführen und Beurteilen.
Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 210
Workload 300
ECTS 10.0
Voraussetzungen für die Vergabe von LP

gemeinsame Modulprüfung für M+I652 und M+I654:

1 K60 (2/3)

1 RE (1/3)

Leistungspunkte Noten

Modulprüfung: Klausur (K60) und Referat

Modulverantwortlicher

Prof. Dr. Volker Sänger

Empf. Semester 1-3
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

VERWENDBARKEIT

  • MuK (Master)
  • DEC (Master)

STATUS

MuK Master - Vertiefungsmodul in der Studienrichtung IT: Interaktion in vernetzten Welten

Veranstaltungen

Data Modelling, Mining and Analytics

Art Vorlesung
Nr. M+I652
SWS 4.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Data Mining, CRISP, Ähnlichkeits- und Abstandsmaße
  • Data Preparation
  • Lineare Regression
  • Zeitreihen
  • Lineare Optimierung
  • Clustering, Klassifikation, Assoziation, Generalisierung
  • Visualisierung

Folgende Lernziele und Kompetenzen werden gemeinsam mit den Studierenden erarbeitet:
• Prinzipien und Methoden des Data Mining und der Datenanalyse kennen und verstehen und
• auf gegebene Problemstellungen aus verschiedenen Anwendungsbereichen anwenden können

Literatur

Die aktuelle Literaturliste wird in der Vorlesung bekannt gegeben. Auszug aus der Literaturliste:

  • Cleve, J./Lämmel, U. (2020): Data Mining. München
  • Albright, S.C./Winston, W.L. (2019): Business Analytics. Cengage Learning
  • C.T. Ragsdale (2016): Spreadsheet Modeling & Decision Analysis, Cengage Learning

Trends im Datenmanagement

Art Seminar
Nr. M+I654
SWS 2.0
Lerninhalt
  • Für die Studierenden werden aktuelle Themen im Datenmanagement vergeben
  • Nach einer Kurzeinführung durch den Dozenten bearbeiten die Studierenden die Themen selbstständig, recherchieren in der Literatur und präsentieren die Ergebnisse

Lernziele:

  • ein aktuelles Thema im Datenmanagement wissenschaftlich recherchieren und strukturiert aufarbeiten und präsentieren können
  • weitere aktuelle Themen kennen und verstehen
Literatur

Die aktuelle Literaturliste wird in der Vorlesung bekannt gegeben.

  • J. Cleve, U. Lämmel. Data Mining. Oldenburg Wissenschaftsverlag, 2014 (ebook)
  • S.C. Albright, W.L. Winston: Business Analytics. Cengage Learning, 2013
  • C.T. Ragsdale. Spreadsheet Modeling & Decision Analysis, Cengage Learning, 2015
  • E. Alpaydin: Maschinelles Lernen. Oldenburg Verlag, 2008
 Zurück