Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage 

• analytische Methoden einzusetzen um aus großen Datenmengen unternehmerisch relevante Erkenntnissen zu gewinnen.
• unternehmerischen Problemstellungen und Fragestellungen systematisch mit Daten zu begegnen.
• Data Warehousing und Big Data Technologien zu evaluieren
• die Vor- und Nachteile unterschiedlicher Data Warehousing und Big Data Architekturen abzuwägen.
• zur Beantwortung von analytischen Fragestellungen solide Prozesse zu definieren
• die konkreten Fragestellungen hinsichtlich Business Goals und Data Mining Goals zu ermitteln
• Datenalayse sowohl mittels überwachter als auch unüberwachter Lernverfahren inklusive der notwendigen Vorverarbeitun durchzuführen
• Die Ergebnisse kritisch zu  bewerten und zu interpretieren

• Business Intelligence Referenzarchitektur
• OLAP (Multidimensionalitität)
• Logische Modellierung (STAR, SNOWFLAKE)
• ETL Prozess
• Closed-Loop Decision Making
• Big Data Technologien
• Data Lakes
• 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, Data Mining Prozesse: CRISP-DM, ASUM-DM
• Data Preprocessing
• Unüberwachte Methoden des maschinellen Lernens: Clusteranalyse
• Überwachte Methoden des maschinellen Lernens: Klassification
• Evaluierung von Analyseergebnissen und Modellen

- Vortrag

- Flipped Classroom

- praktische Übungen in Kleingruppen

Alle notwendigen Informationen erhalten Sie in der Vorbesprechung

Alle Unterlagen finden Sie im TUWEL Kurs zur Lehrveranstaltung.

 In der Vorbesprechung (Teilnahme stark empfohlen) werden die genauen Modalitäten und Details zur Abwiklung vorgestellt.

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)

- Schriftliche Tests zu den einzelnen Vorlesungteilen

- Bewertung praktischer Übungen durch Abgaben und Abgabegespräche

Folgende Kenntnisse werden vorausgesetzt:

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

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