DS-03



1. Basis Daten/basic data


Status

FREIGEGEBEN

Modul-/Seminar-Nr.

DS-03

Fakultät / faculty

Technology & Engineering

Titel

Data Science und Künstliche Intelligenz

Verwendbarkeit / applicability

Verwendbar im Masterstudiengang Wirtschaftsinformatik, 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

K (60min.) / Transferarbeit

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. Axel Lamprecht


2. Qualifikationsziele/Intention of Qualification

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-Projekten.

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.

  • 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.

3. Inhalt/content

  • 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

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

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

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

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

  • Ng, A., 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., Lanegnau, F. (2017): Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python (Animals).