Data Analytics & Visualisation
Niveau
second cycle, Master
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• können die Inhalte, Ergebnisse/Anwendungen und Arbeitsweise von Data Science beschreiben
• können „Fragestellungen“ in Anforderungen im Kontext Data Science zu überführen
• können darauf aufbauend den Prozess und die Werkzeuge definieren und diese umsetzen/anwenden
• kennen eine Software mit Bibliotheken für die Durchführung von Datenanalysen und Auswertungen
• können entsprechende Software benutzen
• können geeignete Auswertungen und Analysen unter Nutzung der Software für definierte Beispiele durchführen
• können die Inhalte, Ergebnisse/Anwendungen und Arbeitsweise von Data Science beschreiben
• können „Fragestellungen“ in Anforderungen im Kontext Data Science zu überführen
• können darauf aufbauend den Prozess und die Werkzeuge definieren und diese umsetzen/anwenden
• kennen eine Software mit Bibliotheken für die Durchführung von Datenanalysen und Auswertungen
• können entsprechende Software benutzen
• können geeignete Auswertungen und Analysen unter Nutzung der Software für definierte Beispiele durchführen
Voraussetzungen der Lehrveranstaltung
keine
Lehrinhalte
• Einführung (Daten, Informationen, Wissen, zeitliche Komponenten, Zielsetzungen)
• Datenprozess (Sammeln, Aufbereiten, Analyse, Darstellung)
• Datenaufbereitung (Bereinigung, Umformung, Umskalierung, Speicherung)
• Ansätze für die Analyse von Daten
• Darstellung/Visualisierung von Ergebnissen
• Software (Open Source und proprietäre Software)
• Machine Learning – Prozess, Ansätze, Umsetzung
• Einführung in die verwendete Software z.B. Python
• Sammeln und Aufbereiten von Daten mit Hilfe von Software
• Analyse und Darstellung von Beispieldaten unter Nutzung verschiedener Ansätze (z.B. Regression, Entscheidungsbäume etc.)
• Datenprozess (Sammeln, Aufbereiten, Analyse, Darstellung)
• Datenaufbereitung (Bereinigung, Umformung, Umskalierung, Speicherung)
• Ansätze für die Analyse von Daten
• Darstellung/Visualisierung von Ergebnissen
• Software (Open Source und proprietäre Software)
• Machine Learning – Prozess, Ansätze, Umsetzung
• Einführung in die verwendete Software z.B. Python
• Sammeln und Aufbereiten von Daten mit Hilfe von Software
• Analyse und Darstellung von Beispieldaten unter Nutzung verschiedener Ansätze (z.B. Regression, Entscheidungsbäume etc.)
Empfohlene Fachliteratur
• Runkler Th.; Information Mining; vieweg; 2000
• Langit L.; Smart Business Intelligence Solutions with Microsoft SQL Server; Microsoft Press; 2008
• Petersohn H.; Data Mining; Oldenbourg; 2005
• Provost F., Fawcett T.; Data Science for Business; O’Reilly; 2013
• Milton M.; Head First Data Analysis; O’Reilly; 2009
• Langit L.; Smart Business Intelligence Solutions with Microsoft SQL Server; Microsoft Press; 2008
• Petersohn H.; Data Mining; Oldenbourg; 2005
• Provost F., Fawcett T.; Data Science for Business; O’Reilly; 2013
• Milton M.; Head First Data Analysis; O’Reilly; 2009
Bewertungsmethoden und -Kriterien
Klausur
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
5
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Vortrag, Einzelarbeit mit Software, Gruppenarbeit, Präsentation und Diskussion von Aufgaben
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
3