Die Lehrveranstaltung vermittelt Studierenden theoretisches sowie praktisches Wissen in den Bereichen Data Warehousing und Data Mining. Die Lehrveranstaltung besteht aus zwei Teilen:

1. Data Warehousing & Data Mining Grundlagen
2. Praktische Übung.

Der Grundlagenteil führt Data Warehousing und Data Mining Technologien, Konzepte, Architekturen, und Methoden ein. Studierende erhalten einen Überblick

• zur zunehmenden Bedeutung aus großen Datenbeständen relevante Erkenntnisse zu extrahieren, 
• wie Data Warehousing und Data Mining unternehmerische Entscheidungen unterstützen und neue Geschäftspotentiale eröffnen kann,
• wie unternehmerische Probleme und Fragestellungen mit Hilfe von Daten analysiert werden können,
• Data Warehouse Architekturen und deren wirtschaftliche Anwendungen,
• Architekturen, Komponenten und Prozesse in der Entwicklung von Business Intelligence Systemen,
• Unterschiede zwischen OLTP Datenbanken and OLAP Systemen,
• Grundlagen von Data Mining Methoden und Anwendungen,
• Determinanten für die Auswahl geeigneter Data Mining Algorithmen und Methoden.

Die praktische Übung zielt auf die Entwicklung von Fähigkeiten zur Planung und Implementierung von Business Intelligence Lösungen.

• Business Intelligence Referenzarchitektur
• OLAP (Multidimensionalitität)
• FASMI (Fast Analysis of Shared Multidimensional Information)
• Semantische Modellierung von OLAP-Lösungen
• Logische Modellierung (STAR, SNOWFLAKE)
• ETL Prozess
• Closed-Loop Decision Making
• Big Data Technologien
• Data Mining - Knowledge Discovery in Databases
• Patterns und Taxonomien
• Vorausschauende (predictive) und beschreibende (descriptive) Regeln (Klassifikation, Regression, Assoziation, Clustering)
• Anwendungen von Business Intelligence

Der Data Warehousing Teil vermittelt ionsbesondere die folgenden Fähigkeiten:

• Data Warehouse durch Charakteristika zu definieren, die diese von anderen Informationssystemen unterscheiden
• die Vor- und Nachteile von Data Warehousing Ansätzen zu beschreiben
• die Struktur eines Data Warehouse zu beschreiben
• Die Charakteristika unterschiedlicher Arten von Daten in einem Data Warehouse aufzulisten
• Datenmodelle in einem Data Warehouse zu unterscheiden
• Dimensionale Modelle und deren Elemente zu beschreiben
• OLAP-Abfragen
• Datenmodellierung mit Star- und Snowflake-Schemata
• Überblick zu DWH Entwicklungsprozessmodellen
• Überblick über organisatorische und praktische Aspekte bei der Umsetzung einer DWH-Lösung

Der Data Mining Teil umfasst:

• Definition von Data Mining
• Motivation für DM
• DM Anwendungen
• DM Methoden

Alle notwendigen Informationen erhalten Sie in der Vorbesprechung

Alle Unterlagen finden Sie im TUWEL Kurs zur Lehrveranstaltung (Link ab 9.10.2013 verfügbar).

 Die Vorbesprechung (Teilnahme stark empfohlen) findet am [tba] statt!

ECTS-Breakdown

18h   Vorlesungsbesuch
50h   Übungsteil Data Warehousing and Big Data (Assignment oder Projekt)
40h   Übungsteil Data Mining
1h     Abgabegespräche
39h   Literatur und Prüfungsvorbereitung
2h     Prüfungen

150 Stunden (= 6 ECTS)

Folgende Kenntnisse werden vorausgesetzt:

1. Conceptual database design
2. Relational database model
3. Normalization
4. DBMSs
5. SQL

Es wird die Möglichkeit geboten, diese Kenntnisse am Beginn der Übung zu wiederholen.