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 2024 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Deutsch
Belegungsfrist Hauptbelegungszeitraum    26.02.2024 - 22.03.2024   
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
Mi. 16:00 bis 19:15 Einzel am 29.05.2024 Gebäude V/Laz1 - V 206        
Einzeltermine ausblenden
iCalendar Export für Outlook
Mi. 16:00 bis 19:15 woch Gebäude V/Laz1 - V 208        
Einzeltermine:
  • 13.03.2024
  • 20.03.2024
  • 27.03.2024
  • 03.04.2024
  • 10.04.2024
  • 17.04.2024
  • 24.04.2024
  • 08.05.2024
  • 15.05.2024
  • 29.05.2024
  • 05.06.2024
  • 12.06.2024
  • 19.06.2024
  • 26.06.2024
Gruppe [unbenannt]:
Zur Zeit kein Belegungszeitraum aktiv.
 


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

Literatur

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

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

Mündliche Prüfung


Strukturbaum
Die Veranstaltung wurde 2 mal im Vorlesungsverzeichnis SoSe 2024 gefunden:
Wahlfächer  - - - 1