Daten-Analyse/Data Mining

Fakult?t

Wirtschafts- und Sozialwissenschaften

Version

Version 4.0 vom 28.10.2020

Modulkennung

22B0332

Modulname (englisch)

Data Mining

Studieng?nge mit diesem Modul

Betriebliches Informationsmanagement (B.Sc.)

Niveaustufe

3

Kurzbeschreibung

Für den betrieblichen Informationsmanager ist die Gewinnung von Informationen aus den im operativen Gesch?ft gespeicherten Daten von elementarer Bedeutung. G?ngige Verfahren zur Datenanalyse und zum Extrahieren von bisher unbekannten Informationen werden vorgestellt.

Lehrinhalte
  1. Einführung Data Mining
  2. Darstellung des Data Mining Konzeptes
  3. Assoziationsanalysen
  4. Cluster-Analysen
  5. Zeitreihenanalysen
  6. Einführung in die Grundzüge von Neuronalen Netzen
  7. Data Mining Applikationen im Cluster
Lernergebnisse / Kompetenzziele

Wissensverbreiterung
Die Studierenden k?nnen die M?glichkeiten und Grenzen von analytischen Datenauswertungen bewerten und absch?tzen.
Wissensvertiefung
Die Studierenden erkl?ren und beschreiben wie Unternehmen Data Mining Projekte durchführen bzw. welche Ergebnisse und Nutzenpotentiale sie daraus gewinnen k?nnen.
K?nnen - instrumentale Kompetenz
Die Studierenden k?nnen wesentliche Verfahren zur Datenauswertung und Datenpr?sentation beherrschen sowie entsprechende Ergebnisinterpretationen durchführen.
K?nnen - kommunikative Kompetenz
Die Studierenden k?nnen die Ergebnisse von Data Mining-Projekten verbal unter Nutzung aktuelle IT-Werkzeuge pr?sentieren und kommunizieren.
K?nnen - systemische Kompetenz

Lehr-/Lernmethoden

Seminaristischer Unterricht mit unterschiedlichen Praxisübungen im Computerraum

Empfohlene Vorkenntnisse

keine

Modulpromotor

Dallm?ller, Klaus

Lehrende
  • Dallm?ller, Klaus
  • Faatz, Andreas
  • Bensberg, Frank
Leistungspunkte

5

Lehr-/Lernkonzept
Workload Dozentengebunden
Std. WorkloadLehrtyp
30Vorlesungen
30?bungen
Workload Dozentenungebunden
Std. WorkloadLehrtyp
40Veranstaltungsvor-/-nachbereitung
30Hausarbeiten
20Prüfungsvorbereitung
Literatur

Kamber; Han: Data Mining Concepts and Techniques, Morgan Kaufmann.Ester; Sander: Knowledge Discovery in Databases. Techniken und Anwendungen. Springer, Berlin 2000.Wickham, H.; Grolemund, G.: R for Data Science, Verlag O'Reilly, 2016Torgo, L.: Data Mining with R, Verlag CRC Press, 2011Lantz, B.: Machine Learning with R. 3. Edition, Verlag Packt>Weitere Literatur wird w?hrend der Veranstaltung angegeben.

Prüfungsleistung
  • Hausarbeit
  • Klausur 2-stündig
  • Portfolio Prüfung
Bemerkung zur Prüfungsform

Die Portfolio-Prüfung umfasst insgesamt 100 Punkte besteht aus einer Hausarbeit (HA) sowie einer ab-schlie?enden Klausur (K1). Die Hausarbeit und die Klausur (K1) werden jeweils mit 50 Punkten gewichtet

Dauer

1 Semester

Angebotsfrequenz

Nur Wintersemester

Lehrsprache

Deutsch