Stud.IP Uni Oldenburg
University of Oldenburg
30.10.2020 17:15:08
pb321 - Data Analytics in Times of Big Data (Complete module description)
Original version English Download as PDF
Module label Data Analytics in Times of Big Data
Module code pb321
Credit points 6.0 KP
Workload 180 h
Faculty/Institute Department of Computing Science
Used in course of study
  • Bachelor's Programme Biology (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Business Administration and Law (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Business Informatics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Chemistry (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Comparative and European Law (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Computing Science (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Economics and Business Administration (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Engineering Physics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Environmental Science (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Intercultural Education and Counselling (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Mathematics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Physics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Physics, Engineering and Medicine (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Social Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Bachelor's Programme Sustainability Economics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Art and Media (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Biology (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Chemistry (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Computing Science (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Dutch Linguistics and Literary Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Economic Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Economics and Business Administration (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Elementary Mathematics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme English Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Gender Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme General Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme German Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme History (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Material Culture: Textiles (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Mathematics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Music (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Philosophy / Values and Norms (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Physics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Politics-Economics (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Protestant Theology and Religious Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Slavic Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Social Studies (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Special Needs Education (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Sport Science (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Dual-Subject Bachelor's Programme Technology (Bachelor) > Säule "Überfachliche Professionalisierung"
  • Fach-Bachelor Pädagogisches Handeln in der Migrationsgesellschaft (Bachelor) > Säule "Überfachliche Professionalisierung"
Contact person
Module responsibility
Authorized examiners
Entry requirements
Skills to be acquired in this module
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.
Module contents
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.

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.

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.

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

Die Studierenden
- eignen sich Methoden des Data Scientists an und nutzen diese für fachspezifische Fragestellungen.
- erkennen Aufgaben und übernehmen für diese Verantwortung
Reader's advisory
  • Jensen, Pedersen, Thomsen (2010): Multidimensiona l Databases and Data Warehousing (Synthesis lectures on Data Management)
  • Loshin (2012): Business Intelligence – The Savvy Manager’s Guide Max Bramer (2013): "Principles of data mining"
  • Jure Leskovec, Anand Rajaraman, Jeffrey Ullman (2014): "Mining of massive datasets"
Links
Language of instruction German
Duration (semesters) 1 Semester
Module frequency semi-anual
Module capacity 100
Modullevel PB (Professionalisierungsbereich / Professionalization)
Modulart Ergänzung/Professionalisierung
Lern-/Lehrform / Type of program V+S
Vorkenntnisse / Previous knowledge
Course type Comment SWS Frequency Workload attendance
Lecture 2.00 SuSe and WiSe 28 h
Seminar 2.00 WiSe 28 h
Total time of attendance for the module 56 h
Examination Time of examination Type of examination
Final exam of module
In der veranstaltungsfreien Zeit, in der Regel 4 Wochen nach Ende des Vorlesungszeitraums.
RE