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.

Zu den primären Themenbereichen dieser praktischen Arbeit gehören Business Performance Analytics, Text Mining, Web- und Social Analytics sowie Experimentieren und Testen.

Ziel ist es, dass die Studierenden zeigen können, dass sie das in der Advanced Data Analysis (DLBDSEDA01) erworbene theoretische Wissen auf ein Implementierungsszenario übertragen können, das die Projektarbeit in einem professionellen datenwissenschaftlichen Umfeld nachahmt.

Speziell im dualen Fernstudium:

Im dualen Fernstudium ist der Theorie-Praxis-Transfer anhand eines realen Projekts, das im Praxisbetrieb umgesetzt werden soll, zu leisten. Im Rahmen des Praxisprojektes bearbeiten die Studierenden eine praxisrelevante Fragestellung ihres Praxisbetriebs unter Betreuung einer:s Lehrenden. Eine Betreuung seitens Praxispartner kann auf Wunsch erfolgen.

• 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.