 |
| Detailinformationen |
| Anmeldevoraussetzungen |
Erwartete Vorkenntnisse: Grundlegende Programmierkenntnisse // Expected prior knowledge: Basic programming skills
|
| Quellcurriculum |
Masterstudium Wirtschaftsinformatik 2025W |
| Lernergebnisse |
Kompetenzen |
| Die Studierenden sind befähigt, eine systematische Analyse von strukturierten und unstrukturierten Unternehmensdaten sowie Event-Logs von Geschäftsprozessen mit Hilfe von Methoden und Werkzeugen des Data Mining, unter Berücksichtigung des aktuellen Stands der Wissenschaft, durchzuführen. Die Studierenden sind befähigt, mit Hilfe von Methoden und Werkzeugen des Data Mining, unter Berücksichtigung des aktuellen Stands der Wissenschaft, unterschiedliche Datenquellen in Zusammenhang zu bringen und neues Wissen über versteckte Muster bzw. Besonderheiten zu entdecken.
|
|
| Fertigkeiten |
Kenntnisse |
- LO2: Die Studierenden sind in der Lage, unterschiedliche Datenquellen für die Analyse vorzubereiten und in Beziehung zu setzen (K3).
- LO3: Die Studierenden beherrschen die Anwendung der wichtigsten Algorithmen für überwachtes und nicht-überwachtes maschinelles Lernen, kennen die Vor- und Nachteile dieser Algorithmen und können konkrete Anwendungen dieser Algorithmen in Data-Mining-Projekten hinsichtlich der Parameterauswahl evaluieren und gegenüberstellen (K4).
- LO4: Die Studierenden beherrschen die Durchführung der Phasen des Data-Mining-Prozesses (K3).
- LO5: Die Studierenden können Werkzeuge des Data Mining einsetzen (K3).
- LO6: Die Studierenden kennen wichtige Anwendungsgebiete (Problemtypen) und aktuelle Entwicklungen des Data-, Web-, Text- sowie Process-Mining (K2).
|
LO1: Gesamtprozess des Data Mining (Knowledge Discovery from Data und CRISP-DM); Datenverständnis und Datenaufbereitung für die Analyse; Techniken des Data Mining: Clustering, Klassifikation, Assoziationsregeln; Process Mining; Text Mining und Natural Language Processing, inkl. Sentiment Analysis und Sprachmodelle; Grundlagen Neuronaler Netze und des Deep Learning;
Graph und Web Mining; Einfache Visualisierung der Analyseresultate; Anwendungen des Data Mining, z.B. Recommender Systems; Werkzeuge und Programmiersprachen für Data Mining; Predictive und Prescriptive Analytics; Trustworthy Data Mining
|
|
| Beurteilungskriterien |
Schriftliche Klausur (Zwischen- und Endklausur)
|
| Lehrmethoden |
Die Lehrinhalte werden vermittelt mittels Methoden des Blended Learning, insbesondere Flipped Classroom, mit interaktiven Elementen zur Festigung des Wissens.
|
| Abhaltungssprache |
deutsch/englisch |
| Literatur |
Basisliteratur:
- Han, J.; Pei, J.; Tong, H.: Data Mining: Concepts and Techniques. Morgan Kaufmann, in der aktuellen Auflage.
Ergänzungsliteratur:
- Kelleher, J.D.; Mac Namee; B.; D'Arcy, A.: Fundamentals of Machine Learning for Predictive Data Analytics. MIT Press, in der aktuellen Auflage.
- Huntsinger, R.: Business Analytics. Cambridge University Press, in der aktuellen Auflage.
- McKinney, W.: Python for Data Analysis. O'Reilly, in der aktuellen Auflage.
- Van der Aalst, W.: Process Mining. Springer, in der aktuellen Auflage.
Weitere Ergänzungsliteratur wird in jedem Semester bekannt gegeben.
|
| Lehrinhalte wechselnd? |
Nein |
| Sonstige Informationen |
Die Lehrveranstaltungen VL und UE Data Mining bilden eine untrennbare didaktische Einheit. Die dargestellten Lernergebnisse werden im Zusammenwirken der beiden Lehrveranstaltungen erreicht.
|
| Frühere Varianten |
Decken ebenfalls die Anforderungen des Curriculums ab (von - bis)
2WBMDMV: VL Data Mining (2011S-2014S)
|
|
