Di Maria

Melanie Di Maria

Tel. 0951 - 863 2699 

Email: bamberg@vawi.de

Studiengangmanagement Bamberg
Universität Bamberg | Studiencenter VAWi

An der Weberei 5
96047 Bamberg  


Universität Bamberg

Virtueller Weiterbildungsstudiengang Wirtschaftsinformatik (VAWi)
Fakultät für Wirtschaftsinformatik und Angewandte Informatik

An der Weberei 5
96047 Bamberg
* Pflichtfeld
Weichelt

Dr. Thomas Weichelt

Tel. 0201 - 183 3001

Email: essen@vawi.de

Studiengangmanagement Essen
Universität Duisburg-Essen | Studiencenter VAWi

Universitätsstraße 9
45141 Essen


Universität Duisburg-Essen

Virtueller Weiterbildungsstudiengang Wirtschaftsinformatik (VAWi)
Fakultät für Wirtschaftswissenschaften

Universitätsstraße 9
45141 Essen
* Pflichtfeld

Data Mining Systeme

Dozent & Tutorin

Dozent:
Prof. Dr. Peter Chamoni

Tutorin:
Dr. Martina Reinersmann

Universität Duisburg-Essen

Mercator School of Management
Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence
http://www.msm.uni‐due.de/index.php?id=757/

 

Einordnung, Turnus & Sprache

Turnus:
Sommersemester

Einordnung:
Modelle und Methoden zur Entscheidungsunterstützung

Sprache:
Deutsch

Lehrformen & Medienformen

Für dieses Modul steht eine internetbasierte Lernumgebung für die Durchführung der Lehr-/Lernprozesse und der Lernunterstützungsprozesse zur Verfügung. Dabei erfolgt die Betreuung der Studierenden durch die Lehrenden über asynchrone (Foren, E-Mail) und synchrone (Chat, Telefon, Online-Konferenzen) Kommunikationswerkzeuge. Diese stehen auch für die Kommunikation der Studierenden untereinander zur Verfügung.

Die Studierenden werden beim Wissenserwerb durch folgende elektronische Selbstlernmedien unterstützt:
Skript/Foliensätze.

Zudem wird der Aufbau von Fertigkeiten und Kompetenzen insbesondere gefördert durch:
tutoriell betreute Aufgabenbearbeitung.

Es werden praxisbezogene Aufgaben gestellt, die mit Hilfe der erlernten Methoden und Theorien gelöst werden müssen.

Arbeitsaufwand, ECTS-Credits & Zuordnung

Arbeitsaufwand
100-110h: Selbststudium
32h: Aufgabenbearbeitung
2h: Abschlussprüfung
125-135h: Gesammt

ECTS-Credits
VAWi 2.0: 5,0

Zuordnung:
10% Wirtschaftswissenschaften
25% Informatik
60% Kerngebiete der Wirtschaftsinformatik
5% allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

keine

Angestrebte Lernergebnisse

Absolventinnen und Absolventen des Moduls Data‐Mining‐Systeme können

  • die wesentlichen methodischen und algorithmischen Grundlagen von Data‐Mining‐Systemen benennen.
  • Vorgehensmodelle und Algorithmen im Bereich Data Mining definieren und einordnen.
  • praxisnahe Fragestellungen analysieren und geeignete Algorithmen ableiten.
  • den Verlauf des Data‐Mining‐Prozesses strukturieren, durchführen und schlussendlich die gewonnenen Ergebnisse kritisch hinterfragen.
  • problemorientierte Aufgabenstellungen wissenschaftlich bearbeiten.
  • selbstständig wissenschaftlich arbeiten und durch den Umgang mit offenen Fragestellungen ihr systemanalytisches Denken sowie ihre Abstraktionsfähigkeit verbessern.

 

Studienempfehlungen

Die Bearbeitung der optionalen semesterbegleitenden Studienleistungen wird – auch im Sinne einer frühzeitigen und kontinuierlichen Vorbereitung auf die Abschlussklausur – ausdrücklich empfohlen. Es können bis zu 12 zusätzliche Punkte erworben werden.

Inhalte & Gliederung

Kapitel 1: Grundlagen „Data Mining“

  • Begriffsabgrenzung Data Mining, Knowledge Discovery in Databases (KDD)
  • KDD‐Prozessmodell nach Fayyad, CRISP‐DM
  • Ausgewählte Prozessphasen
  • Zusammenhang mit Data Warehouse

Kapitel 2: Entscheidungsbaumverfahren

  • Splitkriterien
  • Modellevaluation
  • Pruning
  • Anwendungsbeispiel Mailingaktion

Kapitel 3: Clusterverfahren

  • Hierarchische Verfahren
  • Partitionierende Verfahren
  • Anwendungsbeispiel Kundenkaufverhalten

Kapitel 4: Künstliche Neuronale Netze

  • Künstliche Neuronen
  • Vorwärts gerichtete Netze
  • Kohonen‐Netze

Kapitel 5: Assoziationsanalysen

  • einfache Assoziationsregeln
  • A‐priori‐Algorithmus
  • Taxonomien
  • Sequentielle Assoziationsregeln
  • Interessantheitsmaße

Kapitel 6: Web Mining

  • Grundlagen Web Mining
  • Fallstudie Web‐Log‐Mining

Kapitel 7: Text Mining

  • Grundlagen Text Mining
  • Fallstudie Deskriptorenbestimmung

 

Studien- und Prüfungsleistungen

  • Klausur [90 Minuten/ 90 Punkte/ 100%]
  • Ggf. Bonus durch zwei (2) nachgewiesene optionale Studienleistung [ 12 Punkte / 13,33 %]

Der Bonus kann nur angerechnet werden, wenn in der Klausur mindestens 45 Punkte erreicht sind und die optionale semesterbegleitende Studienleistung durch Abgabe / Einreichen der Lösung zur Aufgabenbearbeitung nachgewiesen ist. Die Bestnote (1,0) kann ohne den Bonus erreicht werden.

Während des Semesters werden im Rahmen der zwei optionalen Studienleistungen Aufgabenstellungen zur Bearbeitung ausgegeben. Die Abgabe dieser Studienleistungen ist freiwillig. Die Bearbeitungsfrist der Studienleistungen wird zu Beginn der Lehrveranstaltung vom Dozenten so festgelegt, dass eine kontinuierliche Arbeit über das Semester hin möglich ist.

In der jeweiligen Studienleistung werden Sie anhand von Übungsaufgaben die in der Lehrveranstaltung thematisierten Data‐ Mining‐Algorithmen auf betriebswirtschaftliche Problemstellungen anwenden und Regeln und Modelle zur Entscheidungs‐unterstützung ableiten bzw. erstellen (schriftliche Ausarbeitung). Die eingereichten Lösungen werden bewertet.

Literatur

Algorithmen und Verfahren des Data Mining

  • Adriaans, P.; Zantinge, D.: Data Mining. Harlow et al. 1996.
  • Alpar, P.; Niedereichholz, J. (Hrsg.): Data Mining im praktischen Einsatz. Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung. Braunschweig, Wiesbaden 2000.
  • Berry, M. J. A.; Linoff, G.: Data mining techniques. For marketing, sales, and customer support. 2nd Edition, New York et al 2004.
  • Ester, M.; Sander, J.: Knowledge Discovery in Databases. Techniken und Anwendungen. Berlin et al. 2000.
  • Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. (Hrsg.): Handbuch Data Mining im Marketing. Knowledge Discovery in Databases. Braunschweig, Wiesbaden 2001.
  • Witten, I.H.; Frank, E.: Data Mining. Practical Machine Learning Tools and Techniques. 2nd Edition, San Francisco 2005.
  •  

Wichtige Hinweise: Das Modul Data‐Mining‐Systeme ist eine Erweiterung eines Teilbereichs des Kurses Data‐Warehouse‐ und Data‐Mining‐ Systeme, der im SS2010 letztmalig angeboten wurde. ECTS‐Credits können nur aus einem der beiden Module / Kurse erworben werden!

 

© 2019 VAWi, Alle Rechte vorbehalten. Impressum | Datenschutz Anmelden