|
Data Science: Datenmanagement und -analyse (DMA)5 ECTS (englische Bezeichnung: Data Science: Data Management and Analytics)
Modulverantwortliche/r: Sven Laumer Lehrende:
Sven Laumer, Kian Schmalenbach, Carolin Mattes
Startsemester: |
SS 2022 | Dauer: |
1 Semester | Turnus: |
jährlich (SS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Sprache: |
Deutsch |
Lehrveranstaltungen:
-
-
Data Science: Datenmanagement und -analyse
(Vorlesung, 2 SWS, Sven Laumer, Fr, 9:45 - 11:15, LG H4 (814 Plätze), (außer Fr 29.7.2022); Einzeltermin am 29.7.2022, 8:00 - 9:30, LG H4 (814 Plätze))
-
Übung zu Data Science: Datenmanagement und -analyse
(Übung, 2 SWS, Kian Schmalenbach et al., Di, 15:00 - 16:30, LG H6 BISSANTZ-Hörsaal (240 Plätze), (außer Di 24.5.2022, Di 14.6.2022, Di 21.6.2022, Di 28.6.2022); Do, 9:45 - 11:15, LG H1 (446 Plätze), (außer Do 9.6.2022, Do 23.6.2022); Einzeltermine am 24.5.2022, 14.6.2022, 21.6.2022, 28.6.2022, 15:00 - 16:30, LG H4 (814 Plätze); ab 3.5.2022)
-
Tutorium zu Data Science: Datenmanagement und -analyse (optional)
(Tutorium, 2 SWS, Hannes Beckmann et al., Mo, Do, 8:00 - 9:30, LG 0.141 (48 Plätze); Fr, 13:15 - 14:45, LG 0.142 (98 Plätze); Mo, 13:15 - 14:45, LG 0.143 (42 Plätze), LG 3.155 (24 Plätze); Di, 13:15 - 14:45, LG 5.154 (30 Plätze); Do, 13:15 - 14:45, LG 0.225 (44 Plätze); Fr, 11:30 - 13:00, LG H2 Hermann Gutmann-Hörsaal (155 Plätze); ab 9.5.2022; Die Tutorien beginnen in der dritten Vorlesungswoche (ab 09.05.2022). Die Einteilung in die Gruppen erfolgt via StudOn.)
Empfohlene Voraussetzungen:
Erfolgreicher Abschluss der Veranstaltungen „Data Science: Data Driven Business“, „Data Science: Datenauswertung“ und „Data Science: Statistik“
Inhalt:
Das Modul bietet einen detaillierten Überblick über wesentliche Konzepte, Verfahren und Technologien des Datenmanagements, der Datenintegration und der Datenanalyse und vermittelt, wie diese im unternehmerischen Kontext eingesetzt werden können, um aus Datensätzen des operativen Geschäfts strategisch relevantes Wissen zu generieren. In der Vorlesung erlernen die Studierenden theoretische und technische Grundlagen der Modellierung, Verwaltung, Abfrage, Integration, Transformation, Auswertung und Visualisierung von Daten und verstehen, wie durch deren Zusammenspiel ein strukturierter Datenmanagement- und -analyseprozess konzipiert und implementiert werden kann. Anhand einer begleitenden Fallstudie werden zudem konkrete Anwendungsmöglichkeiten der behandelten Konzepte im betrieblichen Kontext verdeutlicht. In der Übung vertiefen die Studierenden das Verständnis der Vorlesungsinhalte und erlernen deren technische Umsetzung anhand von interaktiven Übungsaufgaben. Dabei liegt der Fokus im Bereich des Datenmanagements auf dem Einsatz relationaler Datenbanksysteme, während im Bereich der Datenanalyse die Integration, Auswertung und Visualisierung von analytischen Datensätzen mithilfe von Statistiksoftware behandelt wird.
Lernziele und Kompetenzen:
Die Studierenden
erkennen die strategische Relevanz einer strukturierten Datenverwaltung und -analyse für Unternehmen.
sind in der Lage, einen auf strategische Unternehmensziele ausgerichteten Datenmanagement- und -analyseprozess zu konzipieren und geeignete Technologien für dessen Umsetzung
zu beschreiben.
Literatur:
Köppen, Veit; Saake, Gunter; Sattler, Kai-Uwe (2014): Data Warehouse Technologien. Heidelberg: Verlagsgruppe Hüthig Jehle Rehm.
Meier, Andreas (2018): Werkzeuge der digitalen Wirtschaft: Big Data, NoSQL & Co. Wiesbaden: Springer Fachmedien.
Sauer, Sebastian (2019): Moderne Datenanalyse mit R. Wiesbaden: Springer Fachmedien.
Steiner, René (2017): Grundkurs Relationale Datenbanken. Wiesbaden: Springer Fachmedien.
Weitere Informationen:
www: https://www.digitalisierung.rw.fau.de/lehre/bachelor/datenmanagement-und-analyse/
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|