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

Data Science

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Data Science
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).
Management Sciences, Master, ASPO 01.10.2018
Code: DFMM-202
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..
P620-0138
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.
4V (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).
6
Studiensemester: 2
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
Projektarbeit (Wiederholung: jährlich)

[letzte Änderung 26.06.2020]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

DFMM-202 (P620-0138) Management Sciences, Master, ASPO 01.10.2018 , 2. Semester, Pflichtfach
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 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent/innen:
Prof. Dr. Stefan Selle


[letzte Änderung 26.06.2020]
Lernziele:
Studierende sind nach erfolgreichem Absolvieren dieses Moduls in der Lage, geeignete Verfahren der Datenanalyse einzusetzen, um Erkenntnisse zur Entscheidungsfindung bei praktischen Fragestellungen zu gewinnen.
 
Sie erlangen grundlegende Kenntnisse über verschiedene Typen des maschinellen Lernens: Nicht-überwachtes Lernen (Unsupervised Learning), Überwachtes Lernen (Supervised Learning), Bestärkendes Lernen (Reinforcement Learning).
 
Die Studierenden können die Methodik Cross Industry Standard Process for Data Mining (CRISP-DM) anwenden, um Datenanalysen strukturiert und systematisch durchzuführen.
 
Sie kennen verschiedene Merkmalsarten (z.B. nominal, ordinal, metrisch) und können gegebene Daten geeignet vorverarbeiten (z.B. durch One Hot Encoding, Normalisierung oder Standardisierung).
 
Für eine gegebene Fragestellung erkennen sie, welche Art von Verfahren (z.B. Regression oder Klassifikation im Bereich des Überwachten Lernens) zur Entscheidungsfindung geeignet ist.
 
Die Studierenden können die erlernten Verfahren mit einem geeigneten Werkzeug (z.B. KNIME Analytics Platform) umsetzen, dabei Parameterstudien durchführen und die dabei erzielten Resultate anhand von definierten Gütekriterien kritisch beurteilen.
 
Ihre aus den Daten gewonnen Erkenntnisse können die Studierenden geeignet aufbereiten (z.B. in Form einer Visualisierung) und dokumentieren (z.B. Projektbericht, Projekttagebuch), um sie schließlich einem ausgewählten Publikum (z.B. Entscheidungsträger im Unternehmen) verständlich zu präsentieren.

[letzte Änderung 14.02.2022]
Inhalt:
1.  Einführung
2.  Grundlagen
3.  Datenanalyseprozess
4.  Datenvorverarbeitung
5.  Assoziationsanalyse
6.  Clusteranalyse
7.  Klassifikation
8.  Regression
9.  Ensemble Learning
10. Künstliche Neuronale Netzwerke
 


[letzte Änderung 14.02.2022]
Weitere Lehrmethoden und Medien:
Inverted / Flipped Classroom durch E-Learning-Unterstützung (z.B. LMS Moodle): Speziell aufbereitete Unterlagen (z.B. Skript) / Medien (z.B. Videos) 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).
   
Projektarbeit: Fallstudien werden in selbstorganisierten Teams bearbeitet, die Ergebnisse präsentiert, diskutiert und reflektiert (z.B. durch das Führen eines Projekttagebuchs im E-Portfolio Mahara).

[letzte Änderung 14.02.2022]
Literatur:
Udo Bankhofer und Jürgen Vogel: Datenanalyse und Statistik – Eine Einführung für Ökonomen im Bachelor, Gabler Springer Verlag, Wiesbaden, 2008.
 
Michael R. Berthold, Christian Borgelt, Frank Höppner, Frank Klawonn, Rosario Silipo: Guide to Intelligent Data Science – How to Intelligently Make Use of Real Data, 2nd edition, Springer, Berlin, 2020.
 
Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden: Data Science – Grundlagen, Architekturen und Anwendungen, dpunkt Verlag, Heidelberg, 2019.
 
Annalyn Ng und Kenneth Soo: Data Science – Was ist das eigentlich?! – Algorithmen des maschinellen Lernens verständlich erklärt, Springer Verlag, Berlin, 2018.
 
Forster Provost & Tom Fawcett: Data Science for Business. What you need to know about Data Mining and Data-Analytic Thinking, O’Reilly Verlag, Sebastopol, 2013.
 
Thomas A. Runkler: Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, Vieweg+Teubner Verlag, Wiesbaden, 2010.
 
Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal: Data Mining – Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann, Burlington, 2016.
 


[letzte Änderung 14.02.2022]
[Thu Mar 28 09:43:05 CET 2024, CKEY=dds, BKEY=dms3, CID=DFMM-202, LANGUAGE=de, DATE=28.03.2024]