htw saar
Zurück zur Hauptseite

Version des Moduls auswählen:
XML-Code

SP-Modul 5: Data Science und Künstliche Intelligenz

Modulbezeichnung: SP-Modul 5: Data Science und Künstliche Intelligenz
Studiengang: Betriebswirtschaft, Bachelor, ASPO 01.10.2020
Code: BBWL-2020-675
SWS/Lehrform: 4LU (4 Semesterwochenstunden)
ECTS-Punkte: 5
Studiensemester: 6
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Projektarbeit
Zuordnung zum Curriculum:
BBWL-2020-675 Betriebswirtschaft, Bachelor, ASPO 01.10.2020, 6. Semester, Wahlpflichtfach
Arbeitsaufwand:
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
BBWL-2020-130 Wirtschaftsinformatik
BBWL-2020-350 Daten- und Geschäftsprozessmanagement
BBWL-2020-460 Betriebliche Informationssysteme
BBWL-2020-500 Digitale Transformation
BBWL-2020-571 SP-Modul 1: Software Engineering
BBWL-2020-572 SP-Modul 2: IT-Management


[letzte Änderung 04.01.2020]
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent: Prof. Dr. Stefan Selle

[letzte Änderung 25.11.2019]
Lernziele:
Durch die erfolgreiche Beendigung dieses Moduls sind die Studierenden in der Lage
   
- Fachbegriffe der Disziplinen Data Science und Künstliche Intelligenz zu verwenden,
- Zusammenhänge zwischen Data Science und Künstliche Intelligenz zu verstehen,
- Chancen und Risiken des Einsatzes von Künstlicher Intelligenz im Unternehmen zu beurteilen,
- Daten für verschiedene Analysentypen vorzubereiten,
- Standardisierte Datenanalyseprozesse durchzuführen,
- Analyseergebnisse zu bewerten und zu benutzen.
  
Des Weiteren sind die Studierenden in der Lage
  
- Fallstudien in selbstorganisierten Teams strukturiert zu bearbeiten,
- Arbeitsergebnisse zu verdichten, zu präsentieren und über diese fachlich zu diskutieren,
- Projektergebnisse zu kritisieren und über die Arbeitsweise zu reflektieren.

[letzte Änderung 11.12.2019]
Inhalt:
- Einführung: Daten, Datenschutz vs. Datensicherheit, Informationsethik
- Datenbanken: Entity Relationship Modell, Relationales Modell, Structured Query Language (SQL), OLTP
- Data Warehousing und Business Intelligence (BI): Stern-Schema, ETL-Prozess, Reporting, OLAP
- Data Mining: Cross Industry Standard Process for Data Mining (CRISP-DM), Assoziationsanalyse, Clusteranalyse, Klassifikation, Regression
- Big Data: Architekturen, Text Mining, Web Mining, Sentiment Analysis
- Advanced Analytics: Ensemble Learning und Boosting
- Künstliche Intelligenz (KI): Machine Learning, Künstliche Neuronale Netzwerke, Deep Learning, Reinforcement Learning

[letzte Änderung 11.12.2019]
Lehrmethoden/Medien:
Inverted / Flipped Classroom durch E-Learning-Unterstützung (z.B. Moodle): Speziell aufbereitete Unterlagen / Medien zum Selbststudium zu Fach- und Methodenwissen
  
Laborpraktikum mit Übungen: Selbstständiges Arbeiten am PC zur Lösung konkreter Aufgabenstellungen mit betriebswirtschaftlichem Bezug durch Anwendung gelernter Methoden mit Hilfe geeigneter Werkzeuge (z.B. KNIME Analytics Platform, Python, Jupyter Notebook, TensorFlow, Keras usw.)
  
Projektarbeit: Fallstudien werden in Teams bearbeitet, die Ergebnisse präsentiert, diskutiert und reflektiert

[letzte Änderung 11.12.2019]
Literatur:
- Aggarwal, C.C.: Data Mining – The Textbook, Springer Verlag, Cham, 2015.
- Bankhofer, U., Vogel, J.: Datenanalyse und Statistik – Eine Einführung für Ökonomen im Bachelor, Gabler Springer Verlag, Wiesbaden, 2008.
- Ertel, W.: Grundkurs Künstliche Intelligenz – Eine praxisorientierte Einführung, 4. Auflage, Springer Vieweg Verlag, Wiesbaden, 2016.
- Ester, M., Sander, J.: Knowledge Discovery in Databases, Springer Verlag, Berlin, 2000.
- Han, J., Kamber, M., Pei, J.: Data Mining, 3. Aufl., Morgan Kaufmann, Waltham, 2012.
- Müller, A.C., Guido, Sarah: Einführung in Machine Learning mit Python – Praxiswissen Data Science, O’Reilly / dpunkt Verlag, Heidelberg, 2017.
- Ng, A., Soo, K.: Data Science – Was ist das eigentlich?! – Algorithmen des maschinellen Lernens verständlich erklärt, Springer Verlag, Berlin, 2018.
- Raschka, S.: Machine Learning mit Python – Das Praxishandbuch für Data Science, Predictive Analytics und Deep Learning, mitp Verlag, Frechen, 2017.
- Runkler, T.A.: Data Mining, Vieweg + Teubner, Wiesbaden, 2010.
- Tan, P.-N., Steinbach, M., Kumar, V.: Introduction to Data Mining, Pearson, Boston, 2006.
- Witten, I.H., Eibe, F., Hall, M.A.: Data Mining, 3. Aufl., Morgan Kaufmann, Burlington, 2011.

[letzte Änderung 09.12.2019]
[Fri Dec  4 05:32:13 CET 2020, CKEY=bs5dsuk, BKEY=bbw3, CID=BBWL-2020-675, LANGUAGE=de, DATE=04.12.2020]