Dozent
Dozent:
Prof. Dr. Peter Chamoni
Turnus & Dauer, Einordnung & Sprache
Turnus & Dauer:
Sommersemester / 1 Semester
Einordnung:
Modelle und Methoden zur Entscheidungsunterstützung
Lehr- & Medienformen
Für dieses Modul steht eine internetbasierte Lernumgebung für die Durchführung der Lehr-/Lernprozesse und der Lern-unterstützungsprozesse 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:
135-150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung
Zuordnung:
10 % Wirtschaftswissenschaften
25 % Informatik
60 % Kerngebiete der Wirtschaftsinformatik
5 % Allg. Grundlagen & Schlüsselqualifikationen
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
Für den erfolgreichen Abschluss des Moduls wird die Abgabe der Aufgabenbearbeitung im Rahmen der optionalen semesterbegleitenden Studienleistungen dringend empfohlen
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- & Prüfungsleistungen
- Klausur [90 Punkte / 100 %]
- Ggf. Bonus durch zwei nachgewiesene optionale Studienleistungen [12 Punkte / 13.333333333333 %]
Der Bonus kann nur angerechnet werden, wenn in der Klausur mindestens 45 Punkte erreicht sind und die optionalen semesterbegleitenden Studienleistungen durch Abgabe / Einreichen der Lösung zur Aufgabenbearbeitung nachgewiesen sind. Die Bestnote (1,0) kann ohne den Bonus erreicht werden.
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.
Hinweise
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 Entscheidungsunterstützung ableiten bzw. erstellen (schriftliche Ausarbeitung). Die eingereichten Lösungen werden bewertet.