Data Science - Detailansicht

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
- 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)

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.

Chakrabarti, S. (2002): Mining the Web: Discovering Knowledge from Hypertext Data. Morgan-Kauffman.

Brazdil, P., Giraud-Carrier, Ch., Soares, C., Vilalta, R. (2009): Metalearning – Applications to Data Mining. Springer-Verlag, Berlin-Heidelberg.

Höpken, W., Regitz, D., Liedtke, N., Fuchs, M. (2023): Estimating Tourist Arrivals by User Generated Content Volume in Periods of Extraordinary Demand Fluctuations. In: Ferrer-Rosell, B., Massimo, D., Berezina, K. (eds.) Information and Communication Technologies in Tourism, Springer, Cham., pp. 231-242, https://doi.org/10.1007/978-3-031-25752-0_ 25, 1.. Platz Best Paper Award.

Wang, Z., Koroll, L., Höpken, W., Fuchs, M. (2022): Analysis of Instagram Users' Movement Pattern by Cluster Analysis and Association Rule Mining. In: Stienmetz, J., Ferrer-Rosell, B., Massimo, D. (eds.) Information and Communication Technologies in Tourism, Springer, Cham., pp. 97-109, https://doi.org/10.1007/978-3-030-94751-4_10.

Höpken, W., Eberle, T., Fuchs, M., Lexhagen, M. (2020): Improving Tourist Arrival Prediction: A Big Data and Artificial Neural Network Approach. Journal of Travel Research, pp. 998–1017. https://doi.org/10.1177/0047287520921244.

Höpken, W., Müller, M., Fuchs, M., Lexhagen, M. (2020): Flickr data for analysing tourists’ spatial behaviour and movement patterns: A comparison of clustering techniques. Journal of Hospitality and Tourism Technology, 11(1), pp. 69-82. https://doi.org/10.1108/JHTT-08-2017-0059.

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., 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., 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.

RapidMiner: www.rapidminer.com

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.

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.

Mündliche Prüfung