Time: | Wednesday, 3. DS (11:10 to 12:40) |
Location: | SCH/A118 |
Quantity: | 2V/2Ü/0P SWS |
Language: | German |
Modules: | D-WW-INF-3421, D-WW-INF-3422, D-WW-INF-3423, INF-04-FG-AVS, INF-B-510, INF-B-520, INF-B-530, INF-B-540, INF-BAS4, INF-BI-2, INF-LE-WW, INF-VERT4, MINF-04-FG-IAS, WI-MA-08-01, WI-MA-09-01 |
Der Begriff “Data Science” ist zu einem wichtigen Schlagwort im Umgang mit großen Datenmengen geworden. Data Scientists handhaben und analysieren große Datenmengen um daraus Informationen zu generieren und Handlungsempfehlungen abzuleiten, die Organisationen befähigen effizienter zu arbeiten. Um dies zu erreichen, werden verschiedene Analysetools und Methoden genutzt, die aus unübersichtlichen Datenmengen wertvolle Informationen extrahieren, aus denen anschließend Hypothesen abgeleitet werden.
Die Vorlesung gibt einen Ende-zu-Ende Einblick in den Data Science Prozess. Im ersten Teil der Vorlesung werden Grundlagen des Data Management vermittelt. Es wird aufgezeigt wie große dynamische Datenbestände integriert, konsolidiert und letztendlich für komplexe Analyseaufgaben genutzt werden können. Dabei werden insbesondere die Themen Data Warehousing, multidimensionalen Modellierung und relationale Abbildung behandelt. Aufbauend darauf werden komplexe Datenmodelle, z.B. Graphen und visuelle Analysen als Mittel zur Dateninterpretation besprochen. Der zweite Teil der Vorlesung behandelt Methoden der Datenanalyse. Dies umfasst klassische statistische Verfahren wie Klassifikation, Clustering und Forecasting sowie Machine Learning Verfahren wie neuronale Netze. Neben den Methoden an sich, werden ebenfalls moderne Analysewerkzeuge zu deren Anwendung vorgestellt. Die theoretischen Inhalte der Vorlesungen werden durch praktische Übungen ergänzt.
Teil | Inhalt | Acrobat/PDF | Video |
---|---|---|---|
00 | Prolog | ||
01 | Integration approaches & DWH architecture | Lecture 1 | |
02 | Multidimensional Modelling | Lecture 2 | |
03 | Analytic Tools | pdf R-code python-code |
Lecture 3 |
04 | Visual Analytics | Lecture 4 | |
05 | Statistics | Lecture 5 | |
06 | Optimization | Lecture 6 | |
07 | Clustering | Lecture 7 | |
08 | Association Rule Mining | Lecture 8 | |
09 | Classification and Regression | Lecture 9 | |
10 | Time Series Analytics | Lecture 10 | |
11 | Forecasting | Lecture 11 | |
12 | Artificial Neural Networks | Lecture 12 I Lecture 12 II |
|
A | Epilog |