Ziel des Kurses ist es, die Studierenden mit ausgewählten Methoden und Techniken der Datenanalyse im Kontext stetig wachsender, heterogener Datenmengen vertraut zu machen. Hierzu wird zunächst die grundsätzliche Relevanz von Big Data-Methoden anhand der historischen Entwicklung der Datenbestände motiviert. Entscheidend ist hier unter anderem die kontinuierliche Belieferung der Systeme mit Sensordaten aus dem Internet of Things. Es folgt eine kurze Einführung in die wesentlichen statistischen Grundlagen, bevor die einzelnen Schritte des Data Mining-Prozess thematisiert werden. In Abgrenzung zu diesen klassischen Verfahren werden dann ausgewählte Methoden vorgestellt, mit denen Datenbestände im Big Data-Kontext analysierbar gemacht werden können. Weil die Datenanalyse bestimmten gesetzlichen Rahmenbedingungen unterliegt, werden in diesem Kurs zudem rechtliche Aspekte wie der Datenschutz behandelt. Der Kurs schließt mit einem Überblick über den Praxiseinsatz von Big Data-Methoden und -Werkzeugen. Hierbei werden insbesondere die Anwendungsfelder im industriellen Kontext beleuchtet.

1. Einführung in die Analyse von Daten
   1. Entscheidungen, Informationen, Daten
   2. Historische Entwicklung der Speicherung und Auswertung von Daten
   3. Big Data: Eigenschaften und Beispiele
   4. Datenanalyse
   5. Das Internet of Things als Treiber für Big Data
2. Statistische Grundlagen
   1. Deskriptive Datenanalyse
   2. Inferenzielle Datenanalyse
   3. Explorative Datenanalyse
   4. Multivariate Datenanalyse
3. Data Mining
   1. Knowledge Discovery in Databases
   2. Assoziationsanalyse
   3. Korrelationsanalyse
   4. Prognose
   5. Clusteranalyse
   6. Klassifikation
4. Big Data-Methoden und -Technologien
   1. Technologiebausteine
   2. MapReduce
   3. Text- und semantische Analyse
   4. Audio- und Videoanalyse
   5. BASE und NoSQL
   6. In-Memory-Datenbanken
   7. Big-Data-Erfolgsfaktoren
5. Rechtliche Aspekte der Datenanalyse
   1. Datenschutzgrundsätze in Deutschland
   2. Anonymisierung und Pseudonymisierung
   3. Internationale Datenanalyse
   4. Leistungs- und Integritätsschutz
6. Lösungsszenarien
7. Anwendung von Big Data in der Industrie
   1. Produktion und Logistik
   2. Effizienzsteigerungen in der Supply Chain
   3. Schlüsselfaktor Daten
   4. Beispiele und Fazit