DTA-04

Siehe Studienverlaufsplan

Pflicht

Professur Informatik insb. Data Science

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

Präsenz: 32 Std. | Selbststudium: 56 Std. | Transfer: 62 Std.

5 CP

Case oder Transferarbeit (6-8 Seiten)

Seminar (Präsenzlehre), ergänzend Selbststudium und Transfer, ggf. E-Learning, Pre- und Post-Reading.

• Referenzmodelle für DS-Projekte, CRISP

• Methoden der KI

• Machine-Learning

• Neuronale Netze

• Boosting Bayes-Netze

  • Anwendungen der KI

    • Sales, Marketing und Kundenservice

    • Fallstudie: KI im Handel

    • Plattformen für KI

  • Data Science – Prozess

    • Datenquellen

    • Analyse-Tools

    • Analyseverfahren

  • Praktika:

    • Data Science mit Python

  • Nutzung von Plattformen

• Europarechtlicher Rahmen für Data Science und Künstliche Intelligenz

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Wissensverbreiterung

• Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Data Science, insbesondere KI-Methoden.

• Kenntnisse über Nutzwertkriterien von Data Science-Anwendungen.

• Erweiterung der Kompetenzen zur methodischen Durchführung von Data Science-Proj

Wissensvertiefung

• Fähigkeit, eigenständig Data Science- und KI-Methoden mit entsprechenden Tools anwendungsorientiert planen und durchführen zu können.

• Fähigkeit, die passenden Methoden kennenlernen und auswählen zu können.

• Fähigkeit, die wesentlichen rechtlichen Anforderungen an konkrete KI-Systeme darzustellen.

• Steigerung der Fähigkeiten in Bezug auf unternehmerisches Denken und Handeln, um den unternehmerischen Nutzen in Form von Kosteneinsparungen und/oder Umsatzsteigerungen von Data Science zu beurteilen.

Wissensverständnis

• Fähigkeit, erworbenes Wissen durch die obligatorischen Transferprojekte bzw. Transferarbeiten des Studiums auf passende Unternehmensbereiche anwenden zu können.

• Kompetenz, um Data Science-Projekte in Teams mit heterogenem Vorwissen interdisziplinär lösen zu können.

Verwendbar im Masterstudiengang Wirtschaftsinformatik, IT-Systems Engineering

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur:

• Buxmann, P. und Schmidt, H. (2018): Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg

• Ertel, W. (2016): Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung (Computational Intelligence)

• Gentsch, P. (2017): Künstliche Intelligenz für Sales, Marketing und Service: Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices

• Goodfellow, I. und Bengio, Y. (2018): Deep Learning. Das umfassende Handbuch: Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze (mitp Professional)

• Grus, J. und Rother, K. (2016): Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python

• Haneke, U. und Trahasch, S. (2019): Data Science: Grundlagen, Architekturen und Anwendungen (Ausgabe TDWI)

• Ng, A. und Soo, K. (2018): Data Science – was ist das eigentlich?!: Algorithmen des maschinellen Lernens verständlich erklärt

• Oettinger, M. (2017): Data Science: Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data

• Rashid, T. und Lanegnau, F. (2017): Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python (Animals)

Keine