Daten-Analyse/Data Mining
- Fakult?t
Fakult?t Wirtschafts- und Sozialwissenschaften (WiSo)
- Version
Version 1 vom 31.01.2025.
- Modulkennung
22B0332
- Niveaustufe
Bachelor
- Unterrichtssprache
Deutsch
- ECTS-Leistungspunkte und Benotung
5.0
- H?ufigkeit des Angebots des Moduls
nur Wintersemester
- Dauer des Moduls
1 Semester
- 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.
- Lehr-Lerninhalte
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
- Gesamtarbeitsaufwand
Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").
- Lehr- und Lernformen
Dozentengebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 30 Vorlesung Pr?senz - 30 ?bung Pr?senz - Dozentenungebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 40 Veranstaltungsvor- und -nachbereitung - 30 Hausaufgaben - 20 Prüfungsvorbereitung -
- Benotete Prüfungsleistung
- Hausarbeit oder
- Portfolio-Prüfungsleistung oder
- e-Klausur
- Bemerkung zur Prüfungsart
Die Portfolio-Prüfung umfasst insgesamt 100 Punkte besteht aus einer Hausarbeit (HA) sowie einer abschlie?enden Klausur (K1). Die Hausarbeit und die Klausur (K1) werden jeweils mit 50 Punkten gewichtet
- Prüfungsdauer und Prüfungsumfang
Hausarbeit: ca. 10-15 Seiten
e-klausur: Siehe jeweils gültige Studienordnung
PFP:
- Hausarbeit: ca. 10 Seiten
- Klausur: Siehe jeweils gültige Studienordnung
Die Anforderungen werden in der jeweiligen Veranstaltung konkretisiert.
- Empfohlene Vorkenntnisse
keine
- 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.
- Nutzung und Transfer
Die Studierenden k?nnen wesentliche Verfahren zur Datenauswertung und Datenpr?sentation beherrschen sowie entsprechende Ergebnisinterpretationen durchführen.
- Kommunikation und Kooperation
Die Studierenden k?nnen die Ergebnisse von Data Mining-Projekten verbal unter Nutzung aktuelle IT-Werkzeuge pr?sentieren und kommunizieren.
- 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, 2016 Torgo, L.: Data Mining with R, Verlag CRC Press, 2011 Lantz, B.: Machine Learning with R. 3. Edition, Verlag Packt> Weitere Literatur wird w?hrend der Veranstaltung angegeben.
- Verwendbarkeit nach Studieng?ngen
- Wirtschaftsinformatik - WiSo
- Wirtschaftsinformatik B.Sc. (01.09.2024) WiSo
- Modulpromotor*in
- Dallm?ller, Klaus
- Lehrende
- Dallm?ller, Klaus