DTA-04-002

Siehe Studienverlaufsplan

Pflicht

Prof. Dr. Philipp Liedl

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

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

5 CP

Klausur (60 min.) oder Mündliche Prüfung oder Case oder Transferarbeit (6-8 Seiten)

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

• Referenzmodelle für Data-Science-Projekte: CRISP-DM und erweiterte Modelle. Agile Data-Science-Ansätze und KI-Lifecycle

• Methoden der Künstlichen Intelligenz (KI): Einführung in moderne KI-Methoden und Algorithmen.

• Plattformen für KI, KI-Frameworks, Anwendung gängiger Python-Bibliotheken

• Machine Learning: Überwachtes, unüberwachtes und verstärkendes Lernen;

• Neuronale Netze und Deep Learning: Feedforward-, Convolutional- und Recurrent Neural Networks, Graph Neural Networks (GNNs), Transfer Learning und Pretrained Models.

• Large Language Models: Transformer-Modelle und deren Anwendungen (z. B. BERT, GPT).

• Europarechtlicher Rahmen für Data Science und Künstliche Intelligenz: EU AI Act und ethische Richtlinien für KI, DSVGO und deren Einfluss auf KI-Projekte

• Anwendungen von Data Science und KI:

  • Sales, Marketing und Kundenservice: Kundensegmentierung und Sentiment-Analyse, Chatbots

  • KI im Handel: Personalisierte Produktempfehlungen und dynamisches Pricing

  • Industrielle Anwendungen: Predictive Maintenance in der Fertigung, Qualitätsprüfung mittels Computer Vision

  • Medizin und Life Sciences: Bildanalyse für Diagnostik

  • Nachhaltigkeit: KI zur Optimierung von Energieverbrauch und Ressourcenmanagement, KI-gestützte Lösungen zur Klimaanalyse

• Interaktive Projekte: Entwicklung eines KI-Modells für eine praxisrelevante Fallstudie

• Reference Models for Data Science Projects: CRISP-DM and extended models, Agile Data Science approaches, and AI lifecycle.

• Methods of Artificial Intelligence (AI): Introduction to modern AI methods and algorithms.

• Platforms for AI, AI Frameworks, and Application of Common Python Libraries.

• Machine Learning: Supervised, unsupervised, and reinforcement learning;

• Neural Networks and Deep Learning: Feedforward, convolutional, and recurrent neural networks, graph neural networks (GNNs), transfer learning, and pretrained models.

• Large Language Models: Transformer models and their application (e.g., BERT, GPT).

• European Legal Framework for Data Science and Artificial Intelligence: EU AI Act and ethical guidelines for AI, GDPR and its impact on AI projects.

• Data Science and AI Applications:

  • Sales, Marketing, and Customer Service: Customer segmentation and sentiment analysis, chatbots

  • AI in Retail: Personalized product recommendations and dynamic pricing.

  • Industrial Applications: Predictive maintenance in manufacturing, quality control using computer vision.

  • Medicine and Life Sciences: Image analysis for diagnostics.

  • Sustainability: AI for optimizing energy consumption and resource management, AI-driven climate analysis solutions.

• Interactive Projects: Development of an AI model for a practical case study.

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:

• Wesentliche Entwicklungstrends im Bereich Data Science, insbesondere moderne KI-Methoden wie Machine Learning, Deep Learning und deren Anwendungsgebiete, zu identifizieren und zu beschreiben.

• Die Nutzwertkriterien von Data Science-Anwendungen in verschiedenen Branchen zu analysieren und deren Potenziale für Entscheidungsprozesse zu bewerten.

• Methodische Ansätze für die Durchführung von Data Science-Projekten anhand etablierter Referenzmodelle (z. B. CRISP-DM) zu strukturieren und anzuwenden.

• Eigenständig Data Science- und KI-Methoden unter Verwendung entsprechender Tools anwendungsorientiert zu planen, durchzuführen und deren Ergebnisse kritisch zu bewerten.

• Passende Analyseverfahren und Machine-Learning-Modelle auf spezifische Problemstellungen auszuwählen und deren Eignung zu begründen.

• Die rechtlichen und ethischen Anforderungen an konkrete KI-Systeme (z. B. DSGVO, EU AI Act) darzustellen und diese bei der Entwicklung und Implementierung zu berücksichtigen.

• Den unternehmerischen Nutzen von Data Science-Projekten in Bezug auf Kosteneinsparungen, Umsatzsteigerungen und Effizienzgewinne zu beurteilen und Optimierungspotenziale aufzuzeigen.

• Datenbasierte Entscheidungen zu treffen und fundierte Empfehlungen für datengetriebene Geschäftsstrategien abzuleiten.

• Das erworbene Wissen durch die Durchführung von Transferprojekten oder Transferarbeiten zielgerichtet auf spezifische Unternehmensbereiche anzuwenden und praktische Lösungen zu entwickeln.

• Interdisziplinär in heterogenen Teams zusammenzuarbeiten, um komplexe Data Science-Projekte zu planen, umzusetzen und die Ergebnisse fachgerecht zu kommunizieren.

After successfully completing the module, students will be able to:

• Identify and describe key development trends in Data Science, particularly modern AI methods such as Machine Learning, Deep Learning, and their application areas.

• Analyze the utility criteria of Data Science applications across various industries and evaluate their potential for decision-making processes.

• Structure and apply methodological approaches for conducting Data Science projects using established reference models (e.g., CRISP-DM).

• Independently plan, execute, and critically evaluate Data Science and AI methods using appropriate tools in an application-oriented manner.

• Select suitable analytical methods and Machine Learning models for specific problems and justify their appropriateness.

• Explain the legal and ethical requirements for specific AI systems (e.g., GDPR, EU AI Act) and consider them during development and implementation.

• Assess the business value of Data Science projects in terms of cost savings, revenue growth, and efficiency gains, and identify optimization opportunities.

• Make data-driven decisions and derive well-founded recommendations for data-driven business strategies.

• Apply acquired knowledge through transfer projects or transfer papers to specific business areas and develop practical solutions.

• Collaborate interdisciplinarily in diverse teams to plan, implement, and professionally communicate the results of complex Data Science projects.

Verwendbar im Masterstudiengang Business Engineering, Wirtschaftsingenieurwesen, Wirtschaftsinformatik, IT-Systems Engineering

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur: / For self-study, the following literature is recommended for students:

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

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

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

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

• Gentsch, P. (2017): AI in Marketing, Sales and Service: How Marketers without a Data Science Degree can use AI, Big Data and Bots; Palgrave Macmillan

• Goodfellow, I. und Bengio, Y. (2018): Deep Learning; MIT Press

• 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)

• Hapke, H.; Nelson, C. (2021): Building Machine Learning Pipelines; O’Reilly

• Idrissi, A. (2023): Modern Artificial Intelligence and Data Science; Springer

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

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

• Plaue, M (2023): Data Science. An Introduction to Statistics and Machine Learning; Springer

• Zhang, A; Lipton, Z.C.; Li, M.; Smola, A.J. (2021-2024): Dive Into Deep Learning; Online-Book: https://d2l.ai/

Keine