Text in english

Einführung in Data Mining

Kurs in Deutsch und Englisch

Semesterwochenstunden:

4

Leistungspunkte:

5

Vorkenntnisse:

Datenbanken, Software Engineering, Grundlagen Wirtschaftsinformatik

Veranstaltungstyp:

Seminar (Master)

Semesterturnus:

Winter- bzw. Sommersemester

Arbeitsaufwand:

150 Stunden, davon:
65 Stunden Präsenzzeit, 
85 Stunden für Vorbereitung von Referat und Ausarbeitung

Beitrag zu den Zielen des Studiengangs:

Data-Mining umfasst fortgeschrittene Methoden der Datenanalyse und gewinnt in der Wirtschaftsinformatik als eine Grundlage von Business Intelligence immer mehr an Bedeutung. Das Fach ist damit für viele Absolventen der Wirtschaftsinformatik beruflich relevant.

Lernziel:

Kenntnisse über Ziele und Arten des Data Mining
Fähigkeit, grundlegende Methodiken des Data Mining in verschiedenen Anwendungsbereichen in der Wirtschaftsinformatik einzusetzen

Schlüsselqualifikationen:

Fähigkeit zur Modellierung komplexer Probleme
Umgang mit wissenschaftlicher Literatur
wissenschaftlich-technisches Schreiben
Präsentationsfähigkeiten

Lehrinhalte:

Eine Auswahl der folgenden Themen:

  • Analytische Informationssyteme in verschiedenen Branchen
  • Fallstudien zu Business-Intelligence-Anwendungen
  • Spezielle Data-Mining-Algorithmen (wie z. B. ID3, Assoziationsanalyse) und ihr Einsatz
  • Regeldarstellung
  • Knowledge Discovery in Datenbanken KDD
  • Information Mining, Text Mining
  • Web (Usage) Mining
  • Sentiment Mining
  • Process Mining
  • Data Mining und neuronale Netze
  • OLAP
  • Data Mining in der Linguistik
  • Data Mining und Datenschutz
  • Spezielle Data-Mining-Anwendungen: Kreditwürdigkeit, Google Flu Trends etc.

Literatur:

  • Alpar, P.; Niedereichholz, J.: Data Mining im praktischen Einsatz. Braunschweig, Wiesbaden 2000
  • Chamoni, P.; Gluchowski, P.: Analytische Informationssysteme. Berlin 3rd ed. 2006
  • Ester, M.; Sander, J.: Knowledgediscovery in databases. Techniken und Anwendungen. Berlin 2000

Bemerkungen:

Es besteht Anwesenheitspflicht, die zu mindestens 80 % erfüllt werden soll.
Die Thematik eignet sich auch für Veröffentlichungen, die in meinem Forschungsseminar erstellt werden können.

Dieses Fach kann auf Wunsch der Studierenden als Block an Samstagen durchgeführt werden.

Weiterführende Literatur:

  • Biere, M.: Business intelligence for the enterprise. Upper Saddle River NJ 2003
  • Fayyad, U. (ed.): Advances in Knowledge Discovery and Data Mining. Menlo Park CA 1996
  • Hannig, Uwe: Knowledge Mangement und Business Intelligence. Berlin 2002
  • Kemper, H.-G.; Mehanna, W.; Unger, Carsten: Business Intelligence. Braunschweig, Wiesbaden 2nd ed. 2006
  • Liebowitz, J.:Strategicintelligence, businessintelligence, competitiveintelligence … Boca Raton 2006
  • Michalewicz, Zbigniew: Adaptive businessintelligence. Berlin, Heidelberg 2007
  • Scholz, A.: Business Intelligence: Konzepte und Instrumente. Saarbrücken 2006
  • Seufert, A (ed.): 3. Symposium Business Intelligence. Stuttgart 2006
  • Shmueli , G. et al.: Data miningforbusinessintelligence. New York 2007
  • Simon, A. R.: Business Intelligencefordummies. New York 2007
  • Turban, E.: Decisionsupport and businessintelligencesystems. Upper Saddle River NJ 8th ed. 2007
  • Ulrich, Ch.: Grundlagen von Data Mining. Bachelorarbeit Nürnberg 2005 [siehe meine Homepage]
  • Umbach, F.: Wettbewerbsvorteile durch Business Intelligence. Saarbrücken 2007

Es gibt auch Fallstudien und Zeitschriften zu diesem Thema.


Leistungsnachweis:

Referat (75 min, 50 %) und schriftliche Ausarbeitung (15 Seiten, 50 %) je Zweiergruppe

Modulverantwortliche/r:

Prof. Dr. Holl





TH Nürnberg
Fakultät Informatik
Webmaster-IN



Root- Zertifikat

© 2019 Fakultät Informatik