ITD-09



1. Basis Daten/basic data


Status

FREIGEGEBEN

Modul-/Seminar-Nr.

ITD-09

Fakultät / faculty

Business & Economics / Technology & Engineering

Titel

Data Science: Applications

Verwendbarkeit / applicability

Verwendbar in den Masterstudiengängen Business Management, Wirtschaftsinformatik, Business Engineering, IT-Systems Engineering

Modulteile / courses

-

Dauer / duration

Gesamtdauer: 18,75 (=150 Stunden)

davon

Seminartage: 4 (=32 Stunden)

Selbstlerntage: 12 (= 96 Stunden)

Transfertage: 2,75 (=22 Stunden)

Sprache / language

D / E

Workload

5 CP

Leistungsnachweis / exam

TA

Noten werden von 1,0 bis 4,4 vergeben, ab einer Note von 4,5 gilt der Leistungsnachweis als nicht bestanden.

Gewichtung / weighting

5 CP / 120 CP bzw. 4,17 %

Terminierung / termination

Mindestens 1x pro Studienjahr

Eingangsvoraussetzung / entry requirement

§ 10 und § 11 BerlHG in Verbindung mit RSPO und SPO

Voraussetzungen/ requirements

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Modulverantwortlicher / Responsibility

Prof. Dr. Peter Krug


2. Qualifikationsziele/Intention of Qualification

Wissensverbreiterung

  • Kenntnisse über die wesentlichen Entwicklungstrends im Bereich der cloudbasierten Data Science-Plattformen.

  • Kenntnisse über Nutzwertkriterien und Risiken einer cloudbasierten Data Science-Plattform.

  • Erweiterung der Kompetenzen, um Methoden zur Durchführung von Data Science-Projekten mit Data Science-Plattformen.

Wissensvertiefung

  • Fähigkeit, mit einer ausgewählten Data Science-Plattform exemplarisch zu arbeiten und die IT-Integration eigenständig anwendungsorientiert planen und durchzuführen zu können.

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

  • Steigerung der Fähigkeiten in Bezug auf unternehmerisches Denken und Handeln, um den unternehmerischen Nutzen – insbesondere für Fachabteilungen – beurteilen zu können.

Wissensverständnis

  • Fähigkeit, erworbenes Wissen durch die obligatorischen Transferprojekte und Transferarbeiten des Studiums auf ausgewählte Unternehmensbereiche anzuwenden.

  • Kompetenz, um Data Science-Projekte interdisziplinär mit IT-Mitarbeitern und Mitarbeitern der Fachabteilungen durchzuführen.

3. Inhalt/content

  • Reporting versus Data Science

  • Multidimensional Database Models

  • User Interfaces

  • Analytical Processing

  • Information Deployment

  • Security and Access Regulations

  • Data Science Methods

  • Planning Strategy

  • Functions Inside the Planning Process

  • Simulation

  • Process Support

4. Lehr- und Lernmethoden

Asynchrones Lernen

☒ Pre-Reading

☒ Post-Reading

☒ E-Learning

Synchrones Lernen

☒ Seminar

☒ E-Learning

☒ Vorlesung

Transfer

☒ Transfer auf Prinzipebene

☐ Transfer auf Phänomenebene

☒ Projektarbeit

5. Literatur

  • Reinheimer, S. (2018): Cloud Computing: Die Infrastruktur der Digitalisierung (Ausgabe HMD).

  • Lakshmanan. V. (2018): Data Science on the Google Cloud Platform: Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning.

  • Foss, G., Modderman, P. (2019): Practical Data Science with SAP: Machine learning techniques for enterprise data.

  • Grant, G. Granados, J. (2018): Perform Cloud Data Science with Azure Machine Learning (Englische Ausgabe).

  • Elston, F. (2017): Data Science in the Cloud: with Microsoft Azure Machine Learning and Python (Englische Ausgabe).

  • Miller, J. (2016): Learning IBM Watson Analytics (Englische Ausgabe).