Inhalt
[ 526DAKEMKD13 ] Modul Methoden und Konzepte des Data & Knowledge Engineering
|
|
|
|
 |
| Workload |
Form der Prüfung |
Ausbildungslevel |
Studienfachbereich |
VerantwortlicheR |
Anbietende Uni |
| 6 ECTS |
Kumulative Modulprüfung |
B2 - Bachelor 2. Jahr |
Wirtschaftsinformatik |
Michael Schrefl |
Johannes Kepler Universität Linz |
|
|
|
| Detailinformationen |
| Anmeldevoraussetzungen |
Erwartete Vorkenntnisse: Grundlagen der Wirtschaftsinformatik, Grundlagen der Informatik, Grundlagen der Mathematik, Statistik und formaler Methoden
|
| Quellcurriculum |
Bachelorstudium Wirtschaftsinformatik 2022W |
| Ziele |
Die Studierenden kennen Aufbau, Funktionsweise und Besonderheiten von auf verschieden Datenmodellen basierten Datenbanksystemen, webbasierten Informationssystemen und auf symbolische oder subsymbolische Methoden der künstlichen Intelligenz basierter Systeme sowie deren typische Einsatzbereiche. Sie sind mit Methoden und Techniken des Data- und Knowledge-Engineering vertraut und kennen verteilte, temporale, objektrelationale und nicht-relationale Konzepte zur Gestaltung von Datenbanksystemen. Sie beherrschen den exemplarischen Einsatz von objektrelationalen und nicht-relationalen Datenbanksystemen sowie elementare Techniken des Data Warehousing und Data Mining. Sie sind mit Konzepten und Methoden wissensbasierter Systeme vertraut und kennen typische Einsatzgebiete von Ontologien und Knowledge Graphs sowie Business Rule Engines.
|
| Lehrinhalte |
Funktionalität von Datenbankverwaltungssystemen: Mehrbenutzerkontrolle, Wiederanlauf; Datenbanktechnologie: Verteilte Datenbanksysteme, Objektrelationale Datenbanksysteme, Temporale Datenbanksysteme, NoSQL- und NewSQL-Datenbankysteme, Dokumentorientierte Datenbanksysteme, Aktive Datenbanksysteme und Business Rule Engines, Deduktive Datenbanksysteme; Grundlagen der symbolischen und subsymbolischen künstlichen Intelligenz: Wissensrepräsentation und logisches Schließen, Heuristische Suche, Constraint Satisfication, Answer Set Programming, Genetische Algorithmen, Neuronale Netze; Webbasierte Informationssysteme: Web Query Languages, Verwendung semistrukturierter Daten im Web, Semantic Web/Web of Data. Business Intelligence und Analytics: Data Warehousing, OLTP vs OLAP, Dimensional Fact Model; Data Mining, Decision Tree Learning, Association Rules.
|
| Sonstige Informationen |
Charakteristisches Merkmal der hier eingesetzten Lehrform ist das Arbeiten mit einem E-Tutor-System. Die in der Vorlesung behandelten Themengebiete werden durch Bearbeitung praxisnaher Beispiele vertieft. Diese Beispiele werden unter Anleitung des/der Übungsleiters/In von den Studierenden mit geeigneten Werkzeugen bearbeitet. Die Bearbeitung der Übungsaufgaben erfolgt online mit Hilfe des elektronischen Tutoringsystem eTutor. Das eTutor-System leistet den Studierenden Hilfestellung beim Finden und Beheben von Fehlern im Bearbeitungsprozess und übernimmt die automatisierte Bewertung der Lösung. Zudem werden die automatischen Bewertungen von den LehrveranstaltungsleiterInnen überprüft. Die abschließende Beurteilung erfolgt durch die Lehrveranstaltungsleitung.
|
|
|
|
| Untergeordnete Studienfächer, Module und Lehrveranstaltungen |
| | |
|
|
