ISE-06

Siehe Studienverlaufsplan

Pflicht

Prof. Dr. Axel Lamprecht

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

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

5 CP

Transferarbeit (6-8 Seiten)

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

• Datenmanagement

• Datenverwaltungsaufgaben

  • Datenerfassung

  • Datenaufbereitung

  • Datentransformation

  • Datenspeicherung

  • Datenvalidierung

• Datawarehouse

• NOSQL Datenbanken

• Big Data Klassifikation

  • umfangreiche Daten (Volume)

  • aus heterogenen Quellen (Variety)

  • hoher Erfassungsfrequenz und schnellen Verarbeitungszeiten (Velocity)

  • Echtheit von Daten (Veracity)

  • Value

  • Validity

• Erfassung, Verarbeitung und Speicherung von Big-Data durch neuen Technologien

• Anwendungsbeispiele

• Architekturen und Methoden zur verteilten, parallelen Verarbeitung von Daten

• Data Lake Analytics

• Big Data in der Cloud

Das Modul setzt folgendes Modul voraus:

• FND-09 Statistik advanced

Wissensverbreiterung

• Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Datenmanagement und Big Data.

• Kenntnisse über Datenmanagement-Umgebungen.

• Erweiterung der Kompetenzen zur methodischen Durchführung von Datenmanagement -Projekten.

Wissensvertiefung

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

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

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

Wissensverständnis

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

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

Verwendbar im Masterstudiengang IT-Systems Engineering

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur:

• Daten- und Informationsqualität: Auf dem Weg zur Information Excellence von Knut Hildebrand, Marcus Gebauer, et al. | 22. Juni 2018

• V. Naresh Kumar, Prashant Shindgikar , Modern Big Data Processing with Hadoop: Expert techniques for architecting end-to-end Big Data solutions to get valuable insights 2018

• Big Data in der Praxis: Lösungen mit Hadoop, Spark, HBase und Hive. Daten speichern, aufbereiten, visualisieren. 2. erweiterte Auflage von Jonas Freiknecht und Stefan Papp | 11. Juni 2018

• Martin Schmalz und Uri Bram, The Business Of Big Data: How to Create Lasting Value in the Age of AI 2019

• The Enterprise Big Data Lake: Delivering on the Promise of Hadoop and Data Science in the Enterprise von Alex Gorelik | 21. März 2019

• Big Data: Anwendung und Nutzungspotenziale in der Produktion (Moderne Produktion) von Marion Steven, Timo Klünder, et al. | 19. Februar 2020

• Datenmanagement: Daten – Datenbanken – Datensicherheit (Bibliothek der Mediengestaltung) von Peter Bühler, Patrick Schlaich, et al. | 5. April 2019

• SQL & NoSQL Databases: Models, Languages, Consistency Options and Architectures for Big Data Management von Andreas Meier und Michael Kaufmann

• Big Data Analytics: Systems, Algorithms, Applications von C.S.R. Prabhu, Aneesh Sreevallabh Chivukula, et al. | 24. Oktober 2020

• Data Lake Analytics on Microsoft Azure: A Practitioner's Guide to Big Data Engineering von Harsh Chawla und Pankaj Khattar | 9. Oktober 2020

• Big- Data- Ansätze: Bewertung möglicher Integrationen von Big- Data- Ansätzen in analytische Systeme bei kleinen und mittleren Unternehmen von Andreas Waschinger | 22. Oktober 2019

Keine