Modulhandbuch

Wirtschaftsinformatik (WNM)

Data Science

Empfohlene Vorkenntnisse

Grundlagen der Statistik, Programmierkenntnisse

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Nach erfolgreicher Teilnahme an der Veranstaltung haben die Studierenden folgende Lernziele erreicht bzw. haben folgende Kompetenzen erlangt:

  • Sie können Nutzen, Potentiale und Grenzen von Data Science bewerten
  • Sie kennen wichtige Verfahren und Anwendungen des Machine Learning. 
  • Sie können mit diesen Verfahren selbständig Modelle nach dem CRISP Prozess entwickeln und deren Leistungsfähigkeit beurteilen
  • Sie können ihr erworbenes Wissen auf reale Data Science Probleme aus der Praxis anwenden 
  • Sie haben ein Bewusstsein für ethische und rechtliche Fragestellungen im Zusammenhang mit Data Science und Maschinellem Lernen entwickelt

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung Klausur (K60). Das „Praktikum Data Science" muss „m.E." testiert sein.

Modulverantwortlicher

Prof. Dr. Tobias Lauer

Empf. Semester 2. Semester
Haeufigkeit jedes 2. Semester
Verwendbarkeit

Informatik (Master)
Wirtschaftsinformatik (Master)

Veranstaltungen

Data Science

Art Vorlesung
Nr. EMI2124
SWS 2.0
Lerninhalt

  • 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

Literatur

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)

Praktikum Data Science

Art Labor
Nr. EMI2125
SWS 2.0
Lerninhalt

  • Data Science Umgebungen (R-Studio, Jupyter-Notebooks o.ä.)
  • Methoden zur Datenvorverarbeitung und explorativen Datenanalyse
  • Analytische Verfahren zu Regression, Klassifizierung, Clustering: Lineare Regression, Entscheidungsbaum, SVM, Random Forest, kNN, k-Means, und weitere
  • Bearbeitung von Case Studies