Modulhandbuch

Informatik (INFM)

Advanced Business Intelligence

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen
  • Die Studierenden sollen wichtige Verfahren des Data- und Text-Minings kennenlernen, bewerten und anwenden können. Sie sollen komplexe Data-Mining-Fragestellungen modellieren, Lösungsansätze praktisch umsetzen und die Ergebnisse beurteilen können.
  • Die Studierende kennen die unterschiedlichen methodische Ansätze des Data Minings und können Methoden aus dem Repertoire passend zu der Problemstellung auswählen. Sie sind in der Lage, diese Methoden des Data Minings anzuwenden, die Voraussetzungen für deren Anwendung umzusetzen.
  • In der Verbindung von Vorlesung und Praktikum  werden die (theoretischen) Eigenschaften der Algorithmen und Methoden und ihre (praktischen) Auswirkungen deutlich, so dass die Studierenden dann eigenständig praktische Anwendungen von bekannten Data-Mining-Verfahren in unterschiedlichen Feldern durchführen können.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Advanced Business Intelligence" (K60)
"Praktikum  Advanced Business Intelligence" muss "m.E." attestiert sein

Leistungspunkte Noten

5 CP

Modulverantwortlicher

Prof. Dr. Stephan Trahasch

Max. Teilnehmer 15
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Master-Studiengang INFM

Veranstaltungen

Praktikum Data Mining

Art Praktikum
Nr. EMI2118
SWS 2.0
Lerninhalt

Praktische Umsetzung von Konzepten und Methoden des Data Minings in Übungen.

Bearbeitung von Fallstudien.

Data Mining

Art Vorlesung
Nr. EMI2117
SWS 2.0
Lerninhalt

Data Mining wird allgemein als Ansatz zur Aufdeckung neuartiger Muster oder Zusammenhänge in großen Datenbeständen aufgefasst. Die betrieblichen Anwendungsmöglichkeiten von Data Mining sowie deren methodische Grundlagen werden in dem Modul vorgestellt, diskutiert und angewandt. Neben den einzelnen Methoden des Data Minings wird der Gesamtprozess von der Datenvorbereitung bis hin zur Evaluation nach dem CRISP-Standard behandelt. Themen sind u.a.

  • Zeitreiehenanalyse
  • Random Forest
  • Gradient Boosting
  • Support Vector Machines
Literatur

Hastie, Trevor; Tibshirani, Robert; Friedman, J. H. (2017): The elements of statistical learning. Data mining, inference, and prediction. 12th ed. New York: Springer (Springer series in statistics).
Hyndman, Rob J. (2018): Forecasting. Principles and practice ; [a comprehensive indtroduction to the latest forecasting methods using R ; learn to improve your forecast accuracy using dozenss of real data examples.]. second print edition. Lexington, Ky.: Otexts.
Han, J., Kamber, M., Pei, J., Data Mining: Concepts and Techniques, 3rd ed. Burlington, Elsevier Science, 2011
Hand, D. J., Mannila, H., Smyth, P., Principles of data mining, Cambridge, Mass, MIT Press, 2001