Data Science hat sich als multidisziplinäres Feld entwickelt, das darauf abzielt, aus Daten Werte zu schaffen. Dieser Kurs beginnt mit einem Überblick über Data Science und verwandte Felder und definiert darüber hinaus Datentypen und -quellen. Der Einsatz datengesteuerter Methoden ist für Unternehmen unerlässlich geworden, und dieser Kurs zeigt auf, wie datengesteuerte Ansätze in einen Unternehmenskontext integriert und wie operative Entscheidungen mit datengesteuerten Methoden getroffen werden können. Schließlich hebt dieser Kurs die Bedeutungen von Statistik und des Maschinellen Lernens im Bereich der Data Science hervor und gibt einen Überblick über relevante Methoden und Ansätze.

1. Einführung in Data Science
   1. Definition des Begriffs "Data Science"
   2. Data Science und verwandte Bereiche
   3. Datenwissenschaftliche Aktivitäten
2. Daten
   1. Datentypen und Datenquellen
   2. Die 5Vs der Daten
   3. Datenkuratierung und Datenqualität
   4. Datentechnik
3. Data Science in der Wirtschaft
   1. Identifikation von Anwendungsfällen
   2. Leistungsbewertung
   3. Datengesteuerte operative Entscheidungen
   4. Kognitive Verzerrungen
4. Statistik
   1. Bedeutung der Statistik für Data Science
   2. Wichtige statistische Konzepte
5. Maschinelles Lernen
   1. Die Rolle des Maschinellen Lernens in Data Science
   2. Überblick über Ansätze des Maschinellen Lernens

Dieser Kurs führt in verschiedene fortgeschrittene analytische Themen von praktischer Relevanz ein. Die behandelten Themenbereiche reichen von der Messung und Analyse der Unternehmensleistung, Text Mining, Web- und Social Media-Analytik bis hin zu aktuellen Trends im experimentellen Design und Aufbau.

Entlang dieser Reise werden Themen wie die Gestaltung von Leistungskennwerten - Key Performance Indicators (KPIs), Geschäftsprozessanalyse, Worthäufigkeits- und semantische Analyse, Datenwissenschaft zu „Clickstreams“, Social Media Interaktionen und mehrarmige Banditentest Algorithmen behandelt.

1. Analytik der Unternehmensleistung
   1. Überlegungen zum KPI-Design
   2. Gängige Leistungsindikatoren für Unternehmen
   3. Geschäftsprozessanalyse – Business process mining
2. Text-Analyse
   1. Wort- und Dokumentfrequenz (TF-IDF)
   2. Semantische Analyse
3. Web-Analytik
   1. Web-Metriken
   2. Clickstream-Analyse
   3. Empfehlungsdienste
4. Social Network Mining
   1. Einführung in die Analytik der sozialen Medien
   2. "Ausbeutung" von gängigen Plattformen für soziale Medien
5. Tests und Experimente
   1. Praktische A/B-Prüfung
   2. Multivariate Tests
   3. Tests mit mehrarmigen Banditen Algorithmen

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

Der Schwerpunkt dieses Kurses liegt auf der Implementierung eines realen, fortgeschrittenen analytischen Anwendungsfalles in Form eines Studierendenprojekts.

• Dieser Kurs behandelt die praktische Umsetzung der im Kurs Advanced Data Analytics (DLBDSEDA01) behandelten Ansätze und Techniken in einer projektorientierten Umgebung. Alle Teilnehmenden müssen einen Projektbericht erstellen, in dem ihre Arbeit detailliert und dokumentiert wird. Die Projektaufgaben werden aus einer Liste ausgewählt oder von den Studierenden in Absprache mit dem Tutor vorgeschlagen.

Das Streben nach Künstlicher Intelligenz (KI) hat die Menschheit über viele Jahrzehnte hinweg in Atem gehalten und ist seit den 60er Jahren ein aktives Forschungsgebiet. Dieser Kurs gibt einen detaillierten Überblick über die historischen Entwicklungen, Erfolge und Rückschläge in der KI sowie über moderne Ansätze in der Entwicklung der Künstlichen Intelligenz wie generative KI. Der Kurs gibt eine Einführung in das Reinforcement Learning, einen Prozess, der der Art und Weise ähnelt, wie Menschen und Tiere die Welt erleben: Erkundung der Umgebung und Ableitung der besten Aktion. Der Kurs behandelt auch die Grundsätze der Verarbeitung natürlicher Sprache und des Computer-Visualisierungsverfahrens, beides Schlüsselkomponenten für eine künstliche Intelligenz, die mit ihrer Umgebung interagieren kann.

1. Geschichte der KI
   1. Historische Entwicklunge
   2. KI-Winter
   3. Expertensysteme
   4. Bemerkenswerte Fortschritte
2. Moderne KI-Systeme
   1. Schwache KI, starke KI und künstliche Superintelligenz
   2. Anwendungsbereiche
3. Bestärkendes Lernen
   1. Was ist bestärkendes Lernen?
   2. Markov-Entscheidungsprozess und Wertfunktionen
   3. Temporales Differenzlernen und Q-Learning
4. Natural Language Processing (NLP)
   1. Einführung in NLP und Anwendungsbereiche
   2. Grundlegende NLP-Techniken
   3. Daten vektorisieren
   4. Fortschrittliche NLP-Modelle
5. Computer Vision
   1. Einführung in Computer Vision
   2. Bilddarstellung und -Geometrie
   3. Feature Engineering
   4. Semantische Segmentierung
   5. Techniken zur Bildgenerierung

Die zunehmende Verfügbarkeit generativer KI-Systeme verändert akademisches und berufliches Arbeiten grundlegend. Das Modul versteht KI nicht als Ersatz menschlicher Kognition, sondern als Werkzeug innerhalb einer verantwortungsvollen Mensch–KI-Kollaboration. Ziel ist die Entwicklung epistemischer Steuerungskompetenz: Studierende lernen, generative KI gezielt einzusetzen, kritisch zu prüfen und bewusst zu begrenzen. Der Fokus liegt nicht auf technischer Systementwicklung, sondern auf reflektierter Anwendung, Urteilsfähigkeit und eigenverantwortlicher Ergebnisvertretung.

• Der Kurs vermittelt die grundlegenden Konzepte und Anwendungsfelder generativer KI und strukturiert diese entlang eines kompetenzorientierten Lernpfads. Zunächst werden zentrale KI-Toolkategorien (Text-, Bild-, Code- und Analysemodelle) sowie das Prinzip der aufgabenorientierten Toolauswahl eingeführt. Darauf aufbauend erlernen die Studierenden die systematische Gestaltung wirkungsvoller Prompts, insbesondere mithilfe strukturierter Prompt-Frameworks. Ein weiterer Schwerpunkt liegt auf der kritischen Analyse von KI-Outputs hinsichtlich Faktentreue, Verzerrungen, Qualität und Kontextangemessenheit. Im Verlauf des Kurses wird die KI-Nutzung in komplexere Arbeitsprozesse integriert, einschließlich mehrstufiger Mensch-KI-Kollaboration, Qualitätssicherung und bewusster Nichtnutzung. Ergänzend werden ethische, rechtliche und verantwortungsbezogene Fragestellungen behandelt, sodass die Studierenden ein reflektiertes und praxistaugliches Rahmenwerk für den professionellen Einsatz generativer KI entwickeln.