|
Modulbezeichnung (engl.):
Data Science |
|
Code: MASCM-141 |
|
4V (4 Semesterwochenstunden) |
6 |
Studiensemester: 1 |
Pflichtfach: ja |
Arbeitssprache:
Deutsch |
Prüfungsart:
Klausur und Projektarbeit (90 Minuten / Gewichtung 1:1 / Wiederholung semesterweise)
[letzte Änderung 26.04.2017]
|
MASCM-141 (P420-0336, P420-0337) Supply Chain Management, Master, ASPO 01.04.2017
, 1. Semester, Pflichtfach
|
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 26.04.2017]
|
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]
|