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


[Lernergebnisse des Moduls anzeigen]

Data Science und Künstliche Intelligenz

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
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).
Supply Chain Management und Digital Business, Master, SO 01.04.2025
Code: MASCM-DB-140
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..
P420-0571
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.
4VU (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: 1
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
Semesterbegleitende Portfolioprüfung (Wiederholung jährlich)

[letzte Änderung 12.01.2025]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

MASCM-DB-140 (P420-0571) Supply Chain Management und Digital Business, Master, SO 01.04.2025 , 1. 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:
MASCM-DB-310 Master-Abschlussarbeit
MASCM-DB-320 Master-Colloquium


[letzte Änderung 12.01.2025]
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent/innen:
Prof. Dr. Stefan Selle
Dozierende des Studiengangs


[letzte Änderung 12.01.2025]
Lernziele:
Nach der Teilnahme an diesem Modul sind die Studierenden in der Lage,
 
• grundlegende Begriffe im Bereich Data Science und künstliche Intelligenz auseinanderzuhalten und zu erklären,
 
• Zusammenhänge im Bereich Data Science und künstliche Intelligenz zu identifizieren,
 
• den Referenz-Datenanalyseprozess zu verstehen und anzuwenden,
 
• Datenanalyseverfahren und zugehörige Methoden anzuwenden und deren Ergebnisse zu bewerten,
 
• in selbstorganisierten Teams zu arbeiten,
 
• Arbeitsergebnisse zu verdichten und zu präsentieren,
 
• Projektergebnisse zu kritisieren und einzuschätzen.


[letzte Änderung 12.01.2025]
Inhalt:
• Einführung & Grundbegriffe
   - Data Science, Data Literacy, Business Intelligence (BI), Data Warehouse (DWH), Data Mining (DM), Knowledge Discovery in Databases (KDD), Big Data, Predictive Analytics, Machine Learning (ML), Überwachtes Lernen (Supervised Learning), Nicht-überwachtes Lernen (Unsupervised Learning), Bestärkendes Lernen (Reinforcement Learning), Klassifikation, Regression, Clusteranalyse, Assoziationsanalyse, Künstliche Intelligenz (KI), Turing-Test, Datenschutz, Datensicherheit, Datenethik
 
• Datengrundlagen & Datenanalyseprozess
   - Daten, Datentypen, Datenformate, Skalenniveaus, Datenqualität, Explorative Datenanalyse (EDA), Korrelationsanalyse, CRISP-DM, Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment
 
• Modellierung & Auswertung
   - k-Nearest Neighbor, Test-Design, Partitionierung, Sampling, Kreuzvalidierung, Stratifiziertes Sampling, Min-Max-Normierung, Manhattan-Distanz, Euklidische Distanz, Gütemaße, Genauigkeit, Konfusionsmatrix, Spezifität & Sensitivität, Präzision & Recall, F-Maß, Receiver Operating Characteristic (ROC), Area under ROC curve (AURC)
 
• Datenvorbereitung
   - Feature Engineering, One Hot Encoding, Binning, Skalierungen, Standardisierung, Transformation, Textoperationen, Fluch der Dimensionalität,  Overfitting, Rauschen
 
• Klassifikationsmethoden
   - Naive Bayes, Entscheidungsbäume, Support Vector Machine, Logistische Regression, Ensemble Learning [Random Forest, Gradient Boosted Trees]
 
• Regressionsmethoden
   - Interpolation vs. Extrapolation, Prognose, Regressionsanalyse vs. Korrelationsanalyse, Korrelationskoeffizient, Anscombe-Quartett, Methode der kleinsten Quadrate, Bestimmtheitsmaß, Fehlermaße [MSE, RMSE, MAE, MAPE], lineare Regression, polynomiale Regression, Regularisierung, Ridge, LASSO, Elastic-Net, CART
 
• Künstliche Neuronale Netze
   - Perzeptron, Aktivierungsfunktion, Multilayer-Perzeptron, Backpropagation, Gradientenverfahren, Resilient Backpropagation (RProp), Deep Learning, Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Transformer


[letzte Änderung 12.01.2025]
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 12.01.2025]
Literatur:
• Tom Alby: Data Science in der Praxis: Data Science in der Praxis - Eine verständliche Einführung in alle wichtigen Data-Science-Verfahren. Rheinwerk Computing, Bonn, 2022
 
• 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
 
• Ian Goodfellow, Yoshua Begnio, Aaron Courville: Deep Learning. The MIT Press, Cambridge (MA), 2016
 
• Joel Grus: Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python. 2. Auflage, O’Reilly / dpunkt Verlag, Heidelberg, 2019
 
• Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden: Data Science – Grundlagen, Architekturen und Anwendungen. dpunkt Verlag, Heidelberg, 2019
 
• Steffen Herbold: Data-Science-Crashkurs – Eine interaktive und praktische Einführung. dpunkt Verlag, Heidelberg, 2022
 
• 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 12.01.2025]
 
[Tue Nov  4 01:23:58 CET 2025, CKEY=sdsuki, BKEY=scmdb, CID=MASCM-DB-140, LANGUAGE=de, DATE=04.11.2025]