pb321 - Data Analytics im Zeitalter von Big Data (Vollständige Modulbeschreibung)

Keine

Das Modul hat die Zielsetzung grundlegende analytische Methoden anhand von Big Data Szenarien zu vermitteln. Die Studierenden aus den Geistes- und Naturwissenschaften (z. B. Sozial- oder Umweltwissenschaften, Physik und Mathematik) sollen in die Lage versetzt werden aktuelle Lösungsansätze, die insbesondere bei Verwendung von In-Memory Computing und Data Science zum Einsatz kommen, auf fachspezifische Fragestellungen zu übertragen und eigenständig Lösungen in Kleingruppen zu erarbeiten. Die Studierenden haben erste Erfahrungen mit den Aufgaben eines Data Scientist.

Aufgrund des steigenden Informationsaufkommens und der stetigen Weiterentwicklung der Informations-und Kommunikationstechnologien können Unternehmen und Wissenschaftler auf Informationen zugreifen, die herkömmliche Analysesysteme nicht mehr verarbeiten können. Deshalb ist es zwingend notwendig nicht erst auf der IT Ebene ein Verständnis für die Methoden und Möglichkeiten eines Data Scientist aufzubauen, sondern schon in den Fachbereichen. Daher ist es unerlässlich, dass die Aufgaben und Methoden eines Data Scientist praktisch vermittelt werden. 

Hierzu ist die Veranstaltung zweigeteilt: (

1.  Einführung in die Aufgaben/Methoden eines Data Scientist und notwendiger Softwaresysteme und 
2. praktische Umsetzung der Methoden anhand fachspezifischer Fragestellungen in Kleingruppen und Vorstellung der Ergebnisse durch die Studierenden. 
    

Fachspezifische Fragestellungen können beispielsweise aus der Forschung in den Thematiken: 

• Windenergie, 
• Mustererkennung in ökologischen Wachstumsstrukturen,
• Reaktion und Transport im Boden, 
• soziale Ungleichheit, 
• Analyse sozialer Netzwerke, 
• Demographie, 
• Analyse komplexer sozialer Systeme stammen. 

Fachkompetenzen
Die Studierenden 

• benennen und erkennen der Aufgaben eines Data Scientist. 
• erhalten einen Einblick in aktuelle Methoden im Rahmen von Data Analytics Aufgaben. 
• erhalten theoretische und praktische Kenntnisse im 
  •  Prozess der Datenmodellierung und -beschaffung (Prozess der Extraktion, Transformation und des Datenladens). 
  •  können fachspezifische Fragestellungen mittels der im Modul erlernten Methoden im Rahmen von Kleingruppen eigenständig bearbeiten. 

Methodenkompetenzen
Die Studierenden 

• führen Aufgaben eines Data Scientist mittels vermittelter Methoden eigenständig durch. 
• erlernen anhand der Durchführung Vor- und Nachteile der unterschiedlichen Methoden und können diese Methoden anhand des erworbenen Wissens optimiert einsetzen. 

Sozialkompetenzen
Die Studierenden 

• führen fachspezifische Fragestellungen in Kleingruppen durch. 
• organisieren die Aufgaben in den Kleingruppen und stellen ihre Fragestellungen und Ergebnisse vor. 

Selbstkompetenzen
Die Studierenden 

• eignen sich Methoden des Data Scientists an und nutzen diese für fachspezifische Fragestellungen. 
• erkennen Aufgaben und übernehmen für diese Verantwortung

• Jensen, C., Pedersen, T. B., & Thomsen, C. (2010). Multidimensional databases and data warehousing. Morgan & Claypool Publishers.
• Loshin, D. (2012). Business intelligence: the savvy manager's guide. Newnes.
• Bramer, M. (2007). Principles of data mining. Springer.
• Leskovec, J., Rajaraman, A., & Ullman, J. D. (2020). Mining of massive data sets. Cambridge university press

In der veranstaltungsfreien Zeit, in der Regel 4 Wochen nach Ende des Vorlesungszeitraums.

Referat (max. 30 Min.) mit schriftl. Ausarbeitung (max. 15 Seiten) oder Hausarbeit (max. 25 Seiten)