htw saar
Zurück zur Hauptseite

Version des Moduls auswählen:

Englisch

Data Science

Modulbezeichnung: Data Science
Modulbezeichnung (engl.): Data Science
Studiengang: Supply Chain Management, Master, ASPO 01.04.2017
Code: MASCM-141
SWS/Lehrform: 4V (4 Semesterwochenstunden)
ECTS-Punkte: 6
Studiensemester: 1
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
Klausur und Projektarbeit (90 Minuten / Gewichtung 1:1 / Wiederholung semesterweise)
Zuordnung zum Curriculum:
MASCM-141 Supply Chain Management, Master, ASPO 01.04.2017, 1. Semester, Pflichtfach
Arbeitsaufwand:
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Sonstige Vorkenntnisse:
s. Zulassungsvoraussetzungen (10 Creditpoints aus dem Bereich Informations- und Datenverarbeitung)

[letzte Änderung 26.04.2017]
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Stefan Selle
Dozent:
Prof. Dr. Stefan Selle


[letzte Änderung 26.04.2017]
Lernziele:
Die Studierenden sollen durch die erfolgreiche Beendigung dieses Moduls in der Lage sein,
- Grundlegende Begriffe im Bereich Data Science abzugrenzen und zu erklären,
- Zusammenhänge im Bereich Data Science darzustellen,
- Datenmodellierungsmethoden zu verstehen und anzuwenden,
- Analyseverfahren des Data Mining anzuwenden und zu bewerten,
- in selbstorganisierten Teams zu arbeiten,
- Arbeitsergebnisse zu verdichten und zu präsentieren,
- Projektergebnisse zu kritisieren und zu reflektieren.


[letzte Änderung 26.04.2017]
Inhalt:
Einführung
-        Entscheidungen, Daten, Business Intelligence (BI), Big Data
-        Datenschutz, Datensicherheit
Datenanalysen
-        ABC-Analyse
-        Nutzwertanalyse (Scoring-Modell)
-        Pivot-Analyse
Datenmanagement
-        Entity Relationship Modell (ERM)
-        ACID-Prinzip
-        Online Transaction Processing (OLTP)
Data Warehouse
-        Dimensional Modelling, Star-Schema
-        Extract Transform Load (ETL)-Prozess
-        Online Analytical Processing (OLAP)
Data Mining
-        Cross Industry Standard Process (CRISP) for Data Mining
-        Überwachtes Lernen, Kreuzvalidierung, Leave-one-out
-        Algorithmen, Heuristiken
Klassifikation
-        Confusion Matrix, Receiver Operating Curve (ROC)
-        Naive Bayes, Entscheidungsbäume, Künstliche Neuronale Netze (KNN)
Clusteranalysen
- Hierarchische Verfahren
- k-Means
Assoziationsanalysen
- Support, Confidence, Lift
- Apriori-Algorithmus
Prognosen
- Lineare Regression, Zeitreihenanalyse, Glättung
- Stochastische Prozesse, Autoregressive Prozesse
Text Mining
- Stemming, Bag-of-Words (Bow)-Modell, Part-of-Speech (PoS)-Tagging
- Häufigkeitsanalyse, Sentiment Analysis, Tag Cloud
Big Data
- 5 Vs, NoSQL, In-Memory
- Hadoop, MapReduce, Spark


[letzte Änderung 26.04.2017]
Lehrmethoden/Medien:
Vorlesung mit integrierten praktischen Übungen am PC mit Hilfe von MS Excel, MS Access, ARIS 9.8, SAP BW 7.4 und KNIME Analytics. Projektstudium in selbstorganisierten Teams.

[letzte Änderung 26.04.2017]
Literatur:
Literatur:
[Einführung]
Müller, R.M.; Lenz, H.-J.: Business Intelligence, Springer Verlag, Berlin, 2013.
[Datenanalysen]
Wies, P.: Excel 2013 Fortgeschrittene Techniken, Herdt Verlag, Bodenheim, 2013.
[Datenmanagement]
Schicker, E.: Datenbanken und SQL, 4. Auflage, Springer Vieweg, Wiesbaden, 2014.
Swoboda, B.; Buhlert, S.: Access 2013 Grundlagen für Datenbankentwickler, Herdt Verlag, Bodenheim, 2013.
[Data Warehouse]
Bauer, A., Günzel, H.: Data-Warehouse-Systeme, 3. Aufl., Dpunkt-Verlag, Heidelberg, 2008.
Inmon, W. H.: Building the Data Warehouse, John Wiley & Sons, New York, 1996.
Kimball, R.: The Data Warehouse Toolkit, John Wiley & Sons, New York, 1996.
 
[Data Mining]
Aggarwal, C.C.: Data Mining – The Textbook, Springer Verlag, Cham, 2015.
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.
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.
 
[Big Data]
Dorschel, J.: Praxishandbuch Big Data, Springer Gabler Fachmedien, Wiesbaden, 2015.


[letzte Änderung 26.04.2017]
[Sat Dec  7 09:51:24 CET 2019, CKEY=sds, BKEY=scm3, CID=MASCM-141, LANGUAGE=de, DATE=07.12.2019]