Dozent:
Prof. Dr. Tim Weitzel

Tutoren:
PD Dr. Christian Maier
M.Sc. Jens Mattke

Otto-Friedrich-Universität Bamberg
Fakultät Wirtschaftsinformatik und Angewandte Informatik
Lehrstuhl für Wirtschaftsinformatik, insb. Informationssysteme in Dienstleistungsbereichen
https://www.uni-bamberg.de/isdl/

Turnus & Dauer:
Wintersemester / 1 Semester

Einordnung:
Basistechnologien

Sprache:
Englische Unterlagen / Kommunikation in Deutsch

Lehr- & 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 sowie zum Aufbau von Fertigkeiten und Kompetenzen durch folgende elektronische Selbstlernmedien unterstützt:
Erweiterte Foliensätze, ergänzende Literatur

Zudem wird der Aufbau von Fertigkeiten und Kompetenzen insbesondere gefördert durch:
Audio- und/oder Videoinhalte, interaktive Onlinekurse und Case-Studies zu R, Mobile Learning Angebote

Es werden praxisbezogene Aufgaben gestellt, die mit Hilfe des erlernten Wissens gelöst werden sollen.

Arbeitsaufwand:
135-150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung

ECTS-Credits:
5

Zuordnung:
5 % Wirtschaftswissenschaften
55 % Informatik
35 % Kerngebiete der Wirtschaftsinformatik
5 % Allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

keine

Angestrebte Lernergebnisse

Data Science ist aktuell das Schlagwort der IT-Branche. Unter anderem hat der Harvard Business Review den Data Scientist zum „Sexiest Job of the 21st Century“ gekürt. Data Science verwendet unter anderem Methoden aus der Informatik, Statistik, Machine Learning sowie Datenbanken, um aus sehr großen Datenmengen verwertbare Erkenntnisse zu gewinnen.

Das Modul Data Science bietet einen breiten Überblick über Methoden und Werkzeuge eines „Data Scientists“ und legt einen besonderen Fokus auf die praktische Anwendung. Im Rahmen des Moduls lernen die Studierenden die leistungsstarke Programmiersprache R. Zusätzlich lernen Studierende gewonnene Erkenntnisse aus der Datenanalyse zu interpretieren und kritisch mit Fragen rund um Big Data, Machine Learning umzugehen.

Studierende des Moduls Data Science…

• lernen einen Überblick über klassische Methoden im Data Science und können diese kritisch hinterfragen,
• können die Herausforderungen und Bedeutung von Data Science diskutieren,
• lernen die Programmiersprache R, so dass ein selbständiges Arbeiten möglich ist,
• können mit Hilfe von R explorative Datenanalysen durchführen,
• verstehen die Grundkonzepte des Machine Learning (supervised / unsupervised learning) und können diese mithilfe von R anwenden,
• und können gelerntes Wissen in Fallstudien anwenden.

Studienempfehlungen

Das Modul bietet durch die interaktive Lernumgebung einen guten Einstieg in Programmierung, daher eignet sich der Kurs insbesondere auch für Studierende die noch keine Erfahrung mit Programmierung haben. Die im Kurs vermittelten Methoden und Inhalte bereiten Studierende auf empirische Projekt- bzw. Masterarbeiten vor, daher wird empfohlen, das Modul als Vorbereitung für Projektarbeiten und Masterarbeiten zu wählen.

Inhalte & Gliederung

Structure of the course:

• Introduction to Data Science Big Data and Machine Learning
• Introduction to R for data science
• Data wrangling for data science
  
• Introduction to data and statistics
  
• Supervised Learning: regression analysis for data scientists
• Supervised Learning: classification data scientists
• Unsupervised Learning: cluster analysis for data scientists

Structuring the practical exercises using R

• Introduction to R
• Advanced topics in R (e.g. Tidyverse, dplyr, ggplot2, readr package)
• Importing and cleaning data in R (e.g. stringr, lubridate package)
• Exploratory data analysis in R
• Correlation and regression analysis in R (e.g. broom, plot_ly package)
• Unsupervised learning in R: cluster analysis (e.g. tibble, tidyr, purr, cluster package)
• Supervised learning in R: classification (e.g. naivebyes, rpart, randomForest, pROC, class package)

Studien- & Prüfungsleistungen

• Hausarbeit [90 Punkte / 100 %]

Literatur

Eine komplette Liste der verwendeten relevanten Literatur wird jeweils aktuell im LMS veröffentlicht. Die wichtigsten Quellen des Moduls sind:

• Steele, B., Chandler, J., & Reddy, S. (2016). Algorithms for Data Science.
• Wickham, H., Grolemund, G. (2021). R for data science: import, tidy, transform, visualize, and model data.
• Grolemund, G. (2021). Hands-On Programming with R
  
  
  

Hinweise