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
- Einführung Data Mining
- Darstellung des Data Mining Konzeptes
- Assoziationsanalysen
- Cluster-Analysen
- Zeitreihenanalysen
- Einführung in die Grundzüge von Neuronalen Netzen
- 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. Workload Lehrtyp 30 Vorlesungen 30 ?bungen Workload Dozentenungebunden Std. Workload Lehrtyp 40 Veranstaltungsvor-/-nachbereitung 30 Hausarbeiten 20 Prüfungsvorbereitung
- 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