inf607 Business Intelligence II (Complete module description)

Module label	Business Intelligence II
Modulkürzel	inf607
Credit points	6.0 KP
Workload	180 h
Verwendbarkeit des Moduls	Master Applied Economics and Data Science > Data Science Master Engineering of Socio-Technical Systems > Embedded Brain Computer Interaction Master Engineering of Socio-Technical Systems > Human-Computer Interaction Master Engineering of Socio-Technical Systems > Systems Engineering Master Informatik > Angewandte Informatik Master Wirtschaftsinformatik > Akzentsetzungsmodule Bereich Wirtschaftsinformatik Master Wirtschaftsinformatik > Akzentsetzungsmodule der Informatik
Zuständige Personen	Marx Gómez, Jorge (Prüfungsberechtigt) Lehrenden, Die im Modul (Prüfungsberechtigt) Solsbach, Andreas (module responsibility) Bremer-Rapp, Barbara (module responsibility)
Prerequisites	Keine Teilnehmervoraussetzung
Skills to be acquired in this module	Das Modul vermittelt fortgeschrittene Kenntnisse und Aufgaben von Business Intelligence und Data Science in Unternehmen anhand von Big Data und Datanalytics. Die Studierenden erhalten einen Einblick in aktuelle Forschungsthemen und Entwicklungen bei der Beschaffung und Analyse von Daten. Fachkompetenzen Die Studierenden: benennen und erkennen die Aufgaben von Data Analytics / Data Science im unternehmerischen Handeln analysieren die Vor- und Nachteile der unterschiedlichen Ansätze und Methoden für die Analyse von Daten und werden in die Lage versetzt diese für einfache Fallbeispiele anzuwenden erhalten theoretische Kenntnisse über die Datenbeschaffung und -modellierung sowie den dabei anzuwendenden Vorgehensweisen Methodenkompetenzen Die Studierenden: bearbeiten Data Analytics-Aufgabenstellungen und erweitern hierbei Ihr Verständis zu den verschiedenen Ansätzen und Methoden erlernen anhand der Durchführung der Methoden Vor- und Nachteile dieser und können diese Methoden anhand des erworbenen Wissen optimiert einsetzen Sozialkompetenzen Die Studierenden: konstruieren Lösungen zu gegebenen Fallstudien in der Gruppe z.B. Erstellung eines Regressionsmodells anhang ein gegebene Dataset diskutieren diese Lösungen auf fachlicher Ebene präsentieren die Lösungen der Fallstudien im Rahmen der Übungen Selbstkompetenzen Die Studierenden: kritisch überprüfen angebotene Informationen
Module contents	Die Studierenden verfügen nach der Veranstaltung über vertiefende Kenntnisse im Bereich Business Intelligenceund Data Analytics. Die Studierenden erhalten einen Überblick in aktuelle Forschungsthemen im Bereich Business Intelligence und Data Analytics z.B. In Memory Computing Ansätze, Data Mining und Machine Learning, Big Data Verarbeitung mit verteilten Systemen (z.B. Apache Hadoop / Spark) anhand aktueller Anwendungen und Praxisvorträge. Die Studierenden verfügen über Wissen und erhalten praktische Kenntnisse über Buisness Intelligence und Data Science Projekte. Die vermittelten Kenntnisse und Fähigkeiten entsprechen den aktuellen Bedürfnissen des Arbeitsmarktes mit dem Fokus Business Intelligence und Data Science. Hierbei werden durch Nähe zur Praxis vertiefte Kenntnisse erworben, die als entscheidender Vorteil bei der späteren Arbeitsplatzsuche zu werten sind.
Literaturempfehlungen	Jürgen Cleve und Uwe Lämmel - Data Mining; Berlin/München/Boston: Walter de Gruyter GmbH, 2020 (Deutsch) Max Bramer (2013): "Principles of data mining" (Englisch) Ian Witten, Eibe Frank, Mark Hall (2011): "Data mining : practical machine learning tools and techniques" (Englisch) Jure Leskovec, Anand Rajaraman, Jeffrey Ullman (2014): "Mining of massive datasets" (Englisch) Sebastian Raschka und Vahid Mirjalili - Python machine learning : machine learning and deep learning with Python, scikit-learn, and TensorFlow; Birmingham Mumbai: Packt Publishing, September 2017 (Englisch) Aurélien Géron - Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems; Beijing Boston Farnham Sebastopol Tokyo: O'Reilly, September 2019 (Englisch)
Links	www.wi-ol.de
Languages of instruction	German, English
Duration (semesters)	1 Semester
Module frequency	SoSe
Module capacity	unrestricted
Lehr-/Lernform	V + Ü

Form of instruction	SWS	Frequency	Contact-time workload
Lecture	2	SoSe	28
Exercises	2	SoSe	28
Präsenzzeit Modul insgesamt			56 h

Examination	Prüfungszeiten	Type of examination
Final exam of module	Am Ende der Blockveranstaltung	Klausur oder mündliche Prüfung oder Hausarbeit oder Referat oder Portfolio oder fachpraktische Übungen und Klausur oder fachpraktische Übungen und mündliche Prüfung.