|
Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden.
Veranstaltung ist aus dem Semester
SS 2015
, Aktuelles Semester: SoSe 2024
| |||||||||||
|
|||||||||||
| Business Intelligence Sprache: Deutsch Belegpflicht | |||||||||||
| Nr.: 4758 Vorlesung/Übung SS 2015 4 SWS Jedes Semester | |||||||||||
| Master-Studiengang: | Masterstudiengang Wirtschaftsinformatik | ||||||||||
| Studiengang | Wirtschaftsinformatik, Abschluss 90, ( 1. Semester ) - ECTS-Punkte : 5 - Kategorie : Pflichtfach | ||||||||||
| Zugeordnete Lehrperson: | Höpken verantwortlich | ||||||||||
|
|
|||||||||||
| Termin: | Donnerstag 14:15 - 15:45 wöchentl | Durchf. Lehrperson: Höpken | Raum : V 208 Gebäude V/Laz1 | ||||||||
| Donnerstag 16:00 - 17:30 wöchentl | Raum : V 208 Gebäude V/Laz1 | ||||||||||
| Inhalt: | Die Vorlesung behandelt fortgeschrittene Konzepte aus dem Bereich Business Intelligence und Data Mining:
1. Business Intelligence & Data Mining Allgemeine Einführung 2. Fortgeschrittene Techniken des Data Mining 2.1 Assoziationsregeln und Sequenzanalysen: Generalized Rule Induction, FP-Growth, Sequential Patterns 2.2 Supervised Learning (Klassifikation): Entscheidungsbäume, Rule Induction, 2.3 Naive Bayesian Klassifikation, Support-Vektor-Maschinen, Neuronale Netze 2.4 Unsupervised Learning (Cluster-Bildung): Hierarchisches Clustering, Kohonen-Netze 3. Web Data Mining 3.1 Information Retrieval und Web-Suche 3.2 Linkanalyse 3.3 Web Crawling 3.4 Extraktion strukturierter Daten: Wrapper-Generierung 3.5 Informationsintegration 3.6 Opinion Mining 3.7 Web Usage Mining |
||||||||||
| 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. 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. |
||||||||||
| Lernziele: | Business Intelligence, d.h. die systematische Sammlung und Auswertung relevanter Unternehmens- bzw. Marktdaten in elektronischer Form, stellt ein Kerngebiet der Wirtschaftsinformatik dar. Mit dem rapiden Wachstum des World Wide Web sind auch die verfügbaren Informationen über relevante Märkte, Konkurrenzunternehmen und insb. Kunden und deren Verhalten in enormem Ausmaß gestiegen. Dennoch bleiben diese Daten bis heute weitgehend ungenutzt. Weder im online noch im offline Bereich werden die Möglichkeiten moderner Informationstechnologien zur Entscheidungsunterstützung ausreichend genutzt. Mittels Methoden aus dem Bereich des Data Mining und insb. des Web Data Mining (Web Structure Mining, Web Content Mining und Web Usage Mining) lassen sich bisher ungenutzte Wettbewerbspotentiale für Unternehmen erschließen.
Die Vorlesung gibt einen umfassenden Überblick über das Gebiet der Business Intelligence und vermittelt fortgeschrittene Techniken des Data Mining und Web Data Mining. Die Studierenden erlangen praktische Erfahrung in der Anwendung der behandelten Techniken mittels des Data Mining Werkzeugs RapidMiner. Zur Sicherstellung eines maximalen Praxisbezugs wird in der Vorlesung schließlich das erlangte Wissen auf umfangreiche Realdaten über das Nutzungsverhalten auf Onlineplattformen angewendet. |
||||||||||
| Voraussetzungen: | Die Vorlesung setzt Grundkenntnisse im Bereich Business Intelligence und Data Mining voraus. Sollte im Rahmen des Bachelorstudiums keine entsprechende Veranstaltung besucht worden sein, so wird der Besuch der Veranstaltung "Business Intelligence" aus dem Bachlor-Studiengang Wirtschaftsinformatik und E-Business angeraten. | ||||||||||
| Leistungsnachweis: | M benotet
siehe auch "Offizielle Aushänge" |
||||||||||
|
|||||||||||
| Module: | WI1 (MW) | ||||||||||