htw saar QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

SP-Modul 5: Data Science und Künstliche Intelligenz

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
SP-Modul 5: Data Science und Künstliche Intelligenz
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Betriebswirtschaft, Bachelor, ASPO 01.10.2020
Code: BBWL-2020-675
SAP-Submodul-Nr.:
Die Prüfungsverwaltung mittels SAP-SLCM vergibt für jede Prüfungsart in einem Modul eine SAP-Submodul-Nr (= P-Nummer). Gleiche Module in unterschiedlichen Studiengängen haben bei gleicher Prüfungsart die gleiche SAP-Submodul-Nr..
P420-0048
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
4LU (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 6
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Projektarbeit

[letzte Änderung 17.12.2019]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

BBWL-2020-675 (P420-0048) Betriebswirtschaft, Bachelor, ASPO 01.10.2020 , 6. Semester, Wahlpflichtfach
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
BBWL-2020-130 Wirtschaftsinformatik
BBWL-2020-350 Daten- und Geschäftsprozessmanagement
BBWL-2020-460 Betriebliche Informationssysteme
BBWL-2020-500 Digitale Transformation
BBWL-2020-571 SP-Modul 1: Software Engineering
BBWL-2020-572 SP-Modul 2: IT-Management


[letzte Änderung 04.01.2020]
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent/innen: Prof. Dr. Stefan Selle

[letzte Änderung 25.11.2019]
Lernziele:
Durch die erfolgreiche Beendigung dieses Moduls sind die Studierenden in der Lage
   
- Fachbegriffe der Disziplinen Data Science und Künstliche Intelligenz zu verwenden,
- Zusammenhänge zwischen Data Science und Künstliche Intelligenz zu verstehen,
- Chancen und Risiken des Einsatzes von Künstlicher Intelligenz im Unternehmen zu beurteilen,
- Daten für verschiedene Analysentypen vorzubereiten,
- Standardisierte Datenanalyseprozesse durchzuführen,
- Analyseergebnisse zu bewerten und zu benutzen.
  
Des Weiteren sind die Studierenden in der Lage
  
- Fallstudien in selbstorganisierten Teams strukturiert zu bearbeiten,
- Arbeitsergebnisse zu verdichten, zu präsentieren und über diese fachlich zu diskutieren,
- Projektergebnisse zu kritisieren und über die Arbeitsweise zu reflektieren.

[letzte Änderung 11.12.2019]
Inhalt:
- Einführung: Daten, Datenschutz vs. Datensicherheit, Informationsethik
- Datenbanken: Entity Relationship Modell, Relationales Modell, Structured Query Language (SQL), OLTP
- Data Warehousing und Business Intelligence (BI): Stern-Schema, ETL-Prozess, Reporting, OLAP
- Data Mining: Cross Industry Standard Process for Data Mining (CRISP-DM), Assoziationsanalyse, Clusteranalyse, Klassifikation, Regression
- Big Data: Architekturen, Text Mining, Web Mining, Sentiment Analysis
- Advanced Analytics: Ensemble Learning und Boosting
- Künstliche Intelligenz (KI): Machine Learning, Künstliche Neuronale Netzwerke, Deep Learning, Reinforcement Learning

[letzte Änderung 11.12.2019]
Weitere Lehrmethoden und Medien:
Inverted / Flipped Classroom durch E-Learning-Unterstützung (z.B. Moodle): Speziell aufbereitete Unterlagen / Medien zum Selbststudium zu Fach- und Methodenwissen
  
Laborpraktikum mit Übungen: Selbstständiges Arbeiten am PC zur Lösung konkreter Aufgabenstellungen mit betriebswirtschaftlichem Bezug durch Anwendung gelernter Methoden mit Hilfe geeigneter Werkzeuge (z.B. KNIME Analytics Platform, Python, Jupyter Notebook, TensorFlow, Keras usw.)
  
Projektarbeit: Fallstudien werden in Teams bearbeitet, die Ergebnisse präsentiert, diskutiert und reflektiert

[letzte Änderung 11.12.2019]
Literatur:
- Aggarwal, C.C.: Data Mining – The Textbook, Springer Verlag, Cham, 2015.
- Bankhofer, U., Vogel, J.: Datenanalyse und Statistik – Eine Einführung für Ökonomen im Bachelor, Gabler Springer Verlag, Wiesbaden, 2008.
- Ertel, W.: Grundkurs Künstliche Intelligenz – Eine praxisorientierte Einführung, 4. Auflage, Springer Vieweg Verlag, Wiesbaden, 2016.
- Ester, M., Sander, J.: Knowledge Discovery in Databases, Springer Verlag, Berlin, 2000.
- Han, J., Kamber, M., Pei, J.: Data Mining, 3. Aufl., Morgan Kaufmann, Waltham, 2012.
- Müller, A.C., Guido, Sarah: Einführung in Machine Learning mit Python – Praxiswissen Data Science, O’Reilly / dpunkt Verlag, Heidelberg, 2017.
- Ng, A., Soo, K.: Data Science – Was ist das eigentlich?! – Algorithmen des maschinellen Lernens verständlich erklärt, Springer Verlag, Berlin, 2018.
- Raschka, S.: Machine Learning mit Python – Das Praxishandbuch für Data Science, Predictive Analytics und Deep Learning, mitp Verlag, Frechen, 2017.
- Runkler, T.A.: Data Mining, Vieweg + Teubner, Wiesbaden, 2010.
- Tan, P.-N., Steinbach, M., Kumar, V.: Introduction to Data Mining, Pearson, Boston, 2006.
- Witten, I.H., Eibe, F., Hall, M.A.: Data Mining, 3. Aufl., Morgan Kaufmann, Burlington, 2011.

[letzte Änderung 09.12.2019]
 
[Thu Nov 21 09:43:33 CET 2024, CKEY=bs5dsuk, BKEY=bbw3, CID=BBWL-2020-675, LANGUAGE=de, DATE=21.11.2024]