Einführung in Big Data Analytics & statistische Modellbildung
Niveau
Master
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• kennen grundlegende Konzepte von Big Data, Datenarchitekturen und Datenverarbeitung.
• verstehen den gesamten Analyseprozess von Datenaufbereitung bis Modellierung.
• wenden Methoden der explorativen Datenanalyse und statistischen Inferenz an.
• analysieren Datensätze hinsichtlich Qualität, Struktur und Aussagekraft.
• entwickeln und interpretieren Regressions- und Klassifikationsmodelle.
• bewerten Modelle kritisch (z.B. Validität, Overfitting, Generalisierbarkeit).
• wählen geeignete Methoden und Architekturen für konkrete Analyseprobleme aus.
• kommunizieren Analyseergebnisse adressatengerecht und datenbasiert.
• kennen grundlegende Konzepte von Big Data, Datenarchitekturen und Datenverarbeitung.
• verstehen den gesamten Analyseprozess von Datenaufbereitung bis Modellierung.
• wenden Methoden der explorativen Datenanalyse und statistischen Inferenz an.
• analysieren Datensätze hinsichtlich Qualität, Struktur und Aussagekraft.
• entwickeln und interpretieren Regressions- und Klassifikationsmodelle.
• bewerten Modelle kritisch (z.B. Validität, Overfitting, Generalisierbarkeit).
• wählen geeignete Methoden und Architekturen für konkrete Analyseprobleme aus.
• kommunizieren Analyseergebnisse adressatengerecht und datenbasiert.
Voraussetzungen der Lehrveranstaltung
Keine
Lehrinhalte
• Einführung & Grundlagen (Big Data: 4Vs; Data Science Überblick; Datenarten; Rolle von Daten in Organisationen)
• Daten & Datenquellen (strukturierte vs. unstrukturierte Daten; Datenqualität; Datenintegration; Datenaufbereitung)
• Big Data Architekturen (Datenbanken: relational vs. NoSQL; Data Warehouse vs. Data Lake; grundlegende Systemarchitekturen)
• Datenmanagement & Verarbeitung (ETL/ELT; Batch- vs. Stream-Verarbeitung; verteilte Systeme; Skalierbarkeit – Grundprinzipien)
• Datenanalyse & Exploration (deskriptive Statistik; Visualisierung; explorative Datenanalyse; Datenaufbereitung in ausgewählten Tools)
• Statistische Inferenz (Stichproben; Unsicherheit; Schätzung; Missing Data; Bias und Validität)
• Regressionsmodelle (lineare und multiple Regression; Modellannahmen; Interpretation; Modellgüte)
• Modellbewertung & Validierung (Train/Test-Split; Cross-Validation; Overfitting; Generalisierbarkeit)
• Erweiterte Modelle (logistische Regression; Klassifikation; grundlegende Machine-Learning-Verfahren: Bäume, Random Forests)
• Text- und Datenanalyse (Grundlagen NLP; einfache Textanalyse; Feature Engineering)
• Kommunikation & Visualisierung (Ergebnisdarstellung; Storytelling mit Daten; zielgruppengerechte Visualisierung)
• Daten & Datenquellen (strukturierte vs. unstrukturierte Daten; Datenqualität; Datenintegration; Datenaufbereitung)
• Big Data Architekturen (Datenbanken: relational vs. NoSQL; Data Warehouse vs. Data Lake; grundlegende Systemarchitekturen)
• Datenmanagement & Verarbeitung (ETL/ELT; Batch- vs. Stream-Verarbeitung; verteilte Systeme; Skalierbarkeit – Grundprinzipien)
• Datenanalyse & Exploration (deskriptive Statistik; Visualisierung; explorative Datenanalyse; Datenaufbereitung in ausgewählten Tools)
• Statistische Inferenz (Stichproben; Unsicherheit; Schätzung; Missing Data; Bias und Validität)
• Regressionsmodelle (lineare und multiple Regression; Modellannahmen; Interpretation; Modellgüte)
• Modellbewertung & Validierung (Train/Test-Split; Cross-Validation; Overfitting; Generalisierbarkeit)
• Erweiterte Modelle (logistische Regression; Klassifikation; grundlegende Machine-Learning-Verfahren: Bäume, Random Forests)
• Text- und Datenanalyse (Grundlagen NLP; einfache Textanalyse; Feature Engineering)
• Kommunikation & Visualisierung (Ergebnisdarstellung; Storytelling mit Daten; zielgruppengerechte Visualisierung)
Empfohlene Fachliteratur
• El-Kafrawy, P., & El-Amin, M. F. (2026). Mathematical modeling for big data analytics. Cambridge, MA: Elsevier.
• Engel, U., & Dahlhaus, L. (2026). Data science in social research: An applied guide to statistical and computational methods with R. Berlin/Boston: De Gruyter.
• Hummel, O., Kessel, M., Navarro, B., & Butscher, R. (2026). Data Science mit Big Data: Techniken, Werkzeuge und Algorithmen zur Analyse großer Datenmengen. München: Carl Hanser.
• Engel, U., & Dahlhaus, L. (2026). Data science in social research: An applied guide to statistical and computational methods with R. Berlin/Boston: De Gruyter.
• Hummel, O., Kessel, M., Navarro, B., & Butscher, R. (2026). Data Science mit Big Data: Techniken, Werkzeuge und Algorithmen zur Analyse großer Datenmengen. München: Carl Hanser.
Bewertungsmethoden und -Kriterien
Klausur
Hausarbeit
Hausarbeit
Unterrichtssprache
Deutsch
Anzahl der zugewiesenen ECTS-Credits
6
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Die Veranstaltung basiert auf einem E-Learning-Konzept, das eine didaktisch abgestimmte Kombination aus Online- und Präsenzphasen vorsieht. Während in den Online-Phasen ein induktiver Lernansatz verfolgt wird, der das selbstständige Erarbeiten von Inhalten sowie die Bearbeitung von Aufgaben fördert, dienen die Präsenzphasen einem deduktiven Zugang, in dem Lernprozesse begleitet, vertieft und Inhalte systematisch durch Vorträge sowie anhand praktischer Beispiele vermittelt werden.
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
1