Data Analytics
Niveau
Einführung & Vertiefung
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• modellieren energie- und nachhaltigkeitsbezogene Datensätze mithilfe vertiefter analytischer Verfahren und bewerten die Eignung verschiedener Analyseansätze.
• entwickeln einfache statistische und algorithmische Modelle zur Prognose, Klassifikation oder Trendanalyse von Energiedaten und Nachhaltigkeitskennzahlen.
• validieren Daten und Analysemodelle durch Qualitätsprüfungen, Fehleranalysen und Plausibilitätskontrollen und interpretieren die Ergebnisse kritisch.
• nutzen fortgeschrittene Analysetechniken wie Korrelations-, Regressions-, Cluster- oder Zeitreihenanalysen, um komplexere Zusammenhänge zu identifizieren.
• leiten datenbasierte Handlungsempfehlungen für Energieeffizienz, Nachhaltigkeitsbewertung oder operative Entscheidungen ab und argumentieren diese nachvollziehbar.
• modellieren energie- und nachhaltigkeitsbezogene Datensätze mithilfe vertiefter analytischer Verfahren und bewerten die Eignung verschiedener Analyseansätze.
• entwickeln einfache statistische und algorithmische Modelle zur Prognose, Klassifikation oder Trendanalyse von Energiedaten und Nachhaltigkeitskennzahlen.
• validieren Daten und Analysemodelle durch Qualitätsprüfungen, Fehleranalysen und Plausibilitätskontrollen und interpretieren die Ergebnisse kritisch.
• nutzen fortgeschrittene Analysetechniken wie Korrelations-, Regressions-, Cluster- oder Zeitreihenanalysen, um komplexere Zusammenhänge zu identifizieren.
• leiten datenbasierte Handlungsempfehlungen für Energieeffizienz, Nachhaltigkeitsbewertung oder operative Entscheidungen ab und argumentieren diese nachvollziehbar.
Voraussetzungen der Lehrveranstaltung
Digital Tools & Data Skills
Lehrinhalte
- Vertiefte Analyseverfahren für Energie- und Nachhaltigkeitsdaten
- Modellierung grundlegender Prognosen und Klassifikationen mit statistischen und algorithmischen Verfahren
- Datenvalidierung und Qualitätsprüfung mit Fehler- und Plausibilitätsanalysen
- Grundlagen der Zeitreihenanalyse für Verbrauchs- und Erzeugungsdaten
- Interpretation analytischer Modelle zur Entscheidungsunterstützung im Energie- und Nachhaltigkeitsmanagement
- Entwicklung datenbasierter Handlungsempfehlungen und Bewertung analytischer Ergebnisse
- Aktuelle Methoden und Werkzeuge für fortgeschrittene Datenanalyse im Energiesektor
- Modellierung grundlegender Prognosen und Klassifikationen mit statistischen und algorithmischen Verfahren
- Datenvalidierung und Qualitätsprüfung mit Fehler- und Plausibilitätsanalysen
- Grundlagen der Zeitreihenanalyse für Verbrauchs- und Erzeugungsdaten
- Interpretation analytischer Modelle zur Entscheidungsunterstützung im Energie- und Nachhaltigkeitsmanagement
- Entwicklung datenbasierter Handlungsempfehlungen und Bewertung analytischer Ergebnisse
- Aktuelle Methoden und Werkzeuge für fortgeschrittene Datenanalyse im Energiesektor
Empfohlene Fachliteratur
- Demirbaga, Ü., Aujla, G. S., Jindal, A., & Kalyon, O. (2024). Big Data Analytics: Theory, Techniques, Platforms, and Applications. Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-55639-5
- Garg, V., Goel, R., Tiwari, P., & Döngül, E. S. (2024). Handbook of Artificial Intelligence Applications for Industrial Sustainability: Concepts and Practical Examples (1st edn). CRC Press. https://doi.org/10.1201/9781003348351
- Lee, R. (Ed.). (2025). Big Data and Data Science Engineering: Volume 7 (Vol. 759). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-78373-9
- Garg, V., Goel, R., Tiwari, P., & Döngül, E. S. (2024). Handbook of Artificial Intelligence Applications for Industrial Sustainability: Concepts and Practical Examples (1st edn). CRC Press. https://doi.org/10.1201/9781003348351
- Lee, R. (Ed.). (2025). Big Data and Data Science Engineering: Volume 7 (Vol. 759). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-78373-9
Bewertungsmethoden und -Kriterien
Portfolioprüfung
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
5
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Vorlesungen, Diskussionen, Übungen, Fallstudien, Gruppenarbeit
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
5