Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Data Science - Detailansicht

  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Grunddaten
Veranstaltungsart Vorlesung Langtext
Veranstaltungsnummer 10120 Kurztext
Semester SoSe 2021 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Deutsch
Belegungsfrist Hauptbelegungszeitraum 01.03.2021 - 26.03.2021

Belegpflicht
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Lernziele fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export für Outlook
Fr. 14:15 bis 15:45 woch          
Gruppe [unbenannt]:
Zur Zeit kein Belegungszeitraum aktiv.
 


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Höpken, Wolfram, Professor
Laut SPO für
Abschluss Studiengang Semester Kategorie ECTS
Master mit vorausg. Absch Informatik 2 - 2 Wahlfach 5
Master mit vorausg. Absch Digital Business 1 - 2
Zuordnung zu Einrichtungen
Masterstudiengang Informatik
Inhalt
Inhalt

Das Modul behandelt konkret folgende fortgeschrittene Konzepte aus dem Bereich Data Science
und Data Mining:
- Allgemeine Einführung in das Gebiet Data Science & Data Mining
- Supervised und Unsupervised Learning
- Preprocessing und Feature Engineering
- Assoziationsregeln und Sequenzanalysen (Generalized Rule Induction, FPGrowth,
Sequential Patterns)
- Entscheidungsbäume (C4.5, CART) & Rule Induction
- Naive Bayesian Klassifikation
- Support-Vektor-Maschinen
- Neuronale Netze und Deep Learning
- Forecasting (Moving Average, Exponantial Smoothing, Trend-Analyse,
Stationarität & Komponentenmodell, ARIMA, ANN)
- Clustering (Hierarchisches Clustering, k-Means, k-Medoids, DBSCAN,
Kohonen-Netze)
- Text Mining (Text-Preprocessing, Statistische Sprachmodelle)
- Information Extraction (Crawler, Wrapper-Induktion)
- Sentiment Analysis
- Web Usage Mining
- Recommender-Systeme

Literatur

Brazdil, P., Giraud-Carrier, Ch., Soares, C., Vilalta, R. (2009): Metalearning –
Applications to Data Mining. Springer-Verlag, Berlin-Heidelberg.
Chakrabarti, S. (2002): Mining the Web: Discovering Knowledge from Hypertext
Data. Morgan-Kauffman.
Fuchs, M., Höpken, W. (2009): Data Mining im Tourismus – Theoretische
Grundlagen und Anwendungen in der Praxis. Praxis der Wirtschaftsinformatik,
270 (12), pp. 73-81.
Fuchs, M., Höpken, W., Lexhagen, M. (2014): Big Data Analytics for Knowledge
Generation in Tourism Destinations – A Case from Sweden. Journal of
Destination Management & Marketing, 3 (4), pp. 198-209.
Höpken, W., Keil, D., Fuchs, M., Lexhagen, M. (2015): Business intelligence for
cross-process knowledge extraction at tourism destinations. Information
Technology & Tourism, 15(2), pp. 101-130.
Höpken, W., Ernesti, D., Fuchs, M., Kronenberg, K., Lexhagen, M. (2017): Big
data as input for predicting tourist arrivals. In: Schegg, R., Stangl, B. (eds.)
Information and Communication Technologies in Tourism, Springer, Cham, pp.
187-199.
Höpken, W., Fuchs, M., Menner, Th., Lexhagen, M. (2017): Sensing the Online
Social Sphere - the Sentiment Analytical Approach. In: Xiang, Z., Fesenmaier, D.
R. (eds.) Analytics in Smart Tourism Design, Springer, pp. 129-146.
Höpken, W., Eberle, T., Fuchs, M., Lexhagen, M. (2018): Search engine traffic
as input for predicting tourist arrivals. In: Stangl, B., Pesonen, J. (eds.)
Information and Communication Technologies in Tourism, Springer, Cham, pp.
381-393.
Höpken, W., Fuchs, M., & Lexhagen, M. (2018): Big Data Analytics for Tourism
Destinations. In: Khosrow-Pour, D.B.A., M. (eds.) Encyclopedia of Information
Science and Technology, Fourth Edition, IGI Global, Hershey, PA, pp. 349-363.
Höpken, W., Eberle, T., Fuchs, M., Lexhagen, M. (2019): Google Trends data for
analysing tourists’ online search behaviour and improving demand forecasting:
the case of Åre, Sweden. Information Technology & Tourism, 21(1), pp. 45-62.
Keil, D., Höpken, W., Fuchs, M., Lexhagen, M. (2017): Optimizing User Interface
Design and Interaction Paths for a Destination Management Information
System. In: Marcus, A., Wang, W. (eds.) DUXU 2017, Part III, LNCS 10290,
Springer, pp. 473-487.
Larose, D. T. (2004): Discovering Knowledge in Data: An Introduction to Data
Mining. Wiley.
Liu, B. (2008): Web Data Mining – Exploring Hyperlinks, Contents, and Usage
Data. Springer-Verlag, Berlin.
Mariani, M., Baggio, R., Fuchs, M., Höpken, W. (2018): Business intelligence
and big data in hospitality and tourism: a systematic literature review.
International Journal of Contemporary Hospitality Management, 30 (12), pp.
3514-3554, https://doi.org/10.1108/IJCHM-07-2017-0461.
Menner, Th., Höpken, W., Fuchs, M., Lexhagen, M. (2016): Topic Detection -
Identifying relevant topics in tourism reviews. In: Inversini, A., Schegg, R. (eds.)
Information and Communication Technologies in Tourism, Springer, Heidelberg,
pp. 411-423.
Schmunk, S., Höpken, W., Fuchs, M., Lexhagen, M. (2014): Sentiment analysis
– extracting decision-relevant knowledge from UGC. In: Xiang, Z., Tussyadiah, I.
(eds.). Information and Communication Technologies in Tourism, Springer,
Heidelberg, pp. 253-265.
RapidMiner: www.rapidminer.com

Lernziele

Die Absolvent/innen können alle gängigen Verfahren des Data Mining nennen und beschreiben.

Die Absolvent/innen können obige Verfahren in einen gesamthaften Ordnungsrahmen für Data Mining einordnen und in
Bezug auf ihre Verwendbarkeit voreinander abgrenzen.

Die Absolvent/innen können die Funktionsweise der DM-Verfahren erläutern und Besonderheiten und Voraussetzungen
herausstellen.

Die Absolventinnen und Absolventen können die DM-Verfahren auf praktische Probleme der Datenauswertung mittels des
DM-Werkzeugs RapidMiner anwenden und zugehörige DM-Prozesse konzipieren.

Die Absolventinnen und Absolventen können die Tauglichkeit und die Zielerreichung eines gewählten methodischen
Vorgehens im konkreten Anwendungskontext analysieren und bewerten.

Die Absolventinnen und Absolventen können eine Problemstellung, basierend auf umfangreicheren Realdaten, analysieren
und das methodische Vorgehen festlegen.

 

Voraussetzungen

Das Modul setzt Grundkenntnisse im Bereich Data Science und Data Mining
voraus. Sollte im Rahmen des Bachelorstudiums keine entsprechende
Veranstaltung besucht worden sein, so wird der Besuch der Veranstaltung
"Einführung in Business Intelligence und Data Mining" im Bachelor-Studiengang
"Wirtschaftsinformatik" angeraten.

Leistungsnachweis

Coronabedingt findet der Leistungsnachweis in Form einer praktischen Arbeit statt.


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2021 , Aktuelles Semester: SoSe 2024