Data Analytics & Visualisation
Niveau
second cycle, Master
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Absolventin, der Absolvent / die Studierenden:
• kann die Inhalte, Ergebnisse/Anwendungen und Arbeitsweise von Data Science beschreiben
• kann „Fragestellungen“ in Anforderungen im Kontext Data Science zu überführen
• kann darauf aufbauend den Prozess und die Werkzeuge definieren und diese umsetzen/anwenden
• kennt eine Software mit Bibliotheken für die Durchführung von Datenanalysen und Auswertungen
• kann entsprechende Software benutzen
• kann geeignete Auswertungen und Analysen unter Nutzung der Software für definierte Beispiele durchführen
• kann die Inhalte, Ergebnisse/Anwendungen und Arbeitsweise von Data Science beschreiben
• kann „Fragestellungen“ in Anforderungen im Kontext Data Science zu überführen
• kann darauf aufbauend den Prozess und die Werkzeuge definieren und diese umsetzen/anwenden
• kennt eine Software mit Bibliotheken für die Durchführung von Datenanalysen und Auswertungen
• kann entsprechende Software benutzen
• kann 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
E-Learning Anteil in %
20
Semesterwochenstunden (SWS)
2.5
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
Name des/der Vortragenden
Dipl.-Ing. Christoph Fröschl
Studienjahr
Kennzahl der Lehrveranstaltung/des Moduls
DAT.3
Art der Lehrveranstaltung/des Moduls
Integrierte Lehrveranstaltung
Art der Lehrveranstaltung
Pflichtfach