nützliche Vorkenntnisse: Business Intelligence I, Business Intelligence II

Nach erfolgreichem Abschluss der Lehrveranstaltung sollen die Studierenden in der Lage sein, spezifische, unternehmerische Fragestellungen mithilfe datengetriebener Methoden zu beantworten. Der Umgang mit Daten soll zielsicher in den Programmiersprachen Python und/oder R beherrscht werden. Darüber hinaus sollen Kompetenzen im Bereich der Algorithmik und des Data Storytellings aufgebaut werden.

Das Modul vermittelt grundlegende Fähigkeiten im Bereich der Data Science und der Anwendung von verschiedenen Methoden und Algorithmen. Durch die Kooperation mit einem Praxispartner wird sichergestellt, dass an einer möglichst realen und praxisnahen Problemstellung gearbeitet wird. Durch die selbstständige Arbeit an der Problemstellung und der abschließenden Präsentation der Ergebnisse, sollen auch weitere Soft Skills der Studierenden geschult werden.
Fachkompetenzen
Die Studierenden:

• erlernen den Umgang mit strukturierten und unstrukturierten Datenquellen
• erarbeiten praktisches Wissen über verschiedene Methoden der Data Science
• erlernen grundlegende Vorgehensweisen in der Durchführung von Data Science-Projekten
• verfolgen und verfeinern die Umsetzung des praxisnahen Lernens durch ein z.T. vorgebenes, aber auch durch Eigeninitivative ausgestaltetes Modellszenario

Methodenkompetenzen
Die Studierenden:

• sind in der Lage Datensätze zu explorieren und zu analysieren
• erkennen Zusammenhänge in großen Datensätzen
• bilden ein Hypothesen zur Lösung einer unternehmerischen Problemstellung

Sozialkompetenzen
Die Studierenden:

• arbeiten in Gruppen und müssen so Arbeitspakete identifizieren und Verantwortlichkeiten wahren
• präsentieren und diskutieren die eigenen (Teil-) Ergebnisse auf fachlicher Ebene

Selbstkompetenzen
Die Studierenden:

• reflektieren ihr Vorgehen anhand von selbst gesteckten Zielen
• erfassen benötigte Informationen und analysieren diese
• bereiten die erfassten Informationen zielgruppengerecht auf

Soll die Methodenkompetenz im Bereich Data Science erlernt und ausgebaut werden, dann geht dies meist nur mithilfe von frei verfügbaren, idealisierten Datensätzen und beispielhaften Aufgabenstellungen. Grundsätzliche Programmierkenntnisse können so erlangt werden, der Umgang mit echten unternehmerischen Problem und deren Lösung mithilfe von Data Science-Verfahren kann allerdings nur durch die Übung in der Praxis erlernt. Im Rahmen dieses Moduls wird eine reale Problemstellung eines Praxispartners vorgestellt, dieser Partner stellt Daten und Domänenwissen bereit und im Anschluss muss selbstständig eine datenzentrierte Lösung für dieses Problem entworfen und umgesetzt werden.
Innerhalb des Moduls werden darauf aufbauend folgende Themenkomplexe behandelt:

• Exploration und Analyse von Daten
• Methoden der Data Science (z.B. Deep Learning)
• Umgang mit Programmiersprachen und Entwicklungsframeworks (R, Python, Tensorflow)
• Hypothesenbildung und Data Storytelling

• Francois Chollet (2017): Deep Learning with Python, Manning.
• Thomas A. Runkler (2015): Data Mining: Modelle und Algorithmen intelligenter Datenanalyse. Springer Vieweg, Berlin.
• Wolfgang Ertel (2016): Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Vieweg, Berlin.
• Wes McKinney. (2018): Datenanalyse mit Python: Auswertung von Daten mit Pandas, NumPy und IPython. O'Reilly.

 

https://uol.de/vlba

In der Veranstaltungsfreien Zeit nach Ende des Vorlesungszeitraums

Portfolio