DTA-04



DTA-04

Data Science und künstliche Intelligenz

Semester

Siehe Studienverlaufsplan

Art des Moduls

Pflicht

Modulverantwortung

Prof. Dr. Axel Lamprecht

Modulsprache

Deutsch / Englisch

Veranstaltungsturnus

Mind. 1 x jährlich

Dauer der Veranstaltung

1 Semester

Arbeitsaufwand

150 Std.

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

ECTS-Punkte

5 CP

Prüfungsleistung

Case oder Transferarbeit (6-8 Seiten)

Lehr- und Lernmethoden

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

Modulinhalte

  • Referenzmodelle für DS-Projekte, CRISP

  • Methoden der KI

  • Machine-Learning

  • Neuronale Netze

    • BoostingBayes-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

Teilnahmevoraussetzungen

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Qualifikationsziele

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.

Verwendbarkeit des Moduls

für andere Module und Studiengänge

Verwendbar im Masterstudiengang Wirtschaftsinformatik, IT-Systems Engineering

Empfohlene Literatur

Zum Selbststudium empfiehlt sich den Studierenden folgende 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).

Weitere Informationen

Keine