Data Analytics and Machine Learning

Institut für Management und Technik

Version 20.0 vom 23.04.2020

75M0229

Data Analytics and Machine Learning

Management und Technik (M.Sc.)

5

Inhalte des Moduls sind die theoretischen und praktischen Grundlagen für den Bereich Data Analytics und insbesondere Maschinelles Lernen.

• Pflichtinhalte---------------------
• 1. Grundlagen, Terminologie, Geschichte
• 2. Data Analytics 2.1. Daten, Eigenschaften und Struktur 2.2. Datenspeicher und Datenbeschaffung 2.3. Datenbereinigung 2.4. Datenvorverarbeitung 2.5. Deskriptive Datenanalyse 2.6. Datenvisualisierung 2.7. Explorative Datenanalyse
• 3. Maschinelle Lernverfahren 3.1. Übersicht, Klassifikationen und Theorie 3.1.1. Neuronale Netze 3.3.1. Evolutionäre Algorithmen 3.3.2. Bayessche Netzwerke 3.3.3. Support Vector Machines 3.3.4. ... 3.2. Lernrepräsentationen: Vektoren, Graphen und Co. 3.3. Programmierung & Deep Learning Frameworks 3.4. Deep Learning im Detail & ihre Anwendung 3.4.1. Feedforward Networks für strukturierte Daten 3.4.2. Backpropagation, Vanishing und Exploding Gradients 3.4.3. Convolutional Networks für räumlich kohärente Daten 3.4.4. Recurrent Networks für zeitlich kohärente Daten 3.4.5. Reenforcement Learning zur sukzessiven Lösungsraumexploration 3.4.6. eXplainable KI 3.4.7. Spezielle Netzvarianten a la Autoencoder, Word2Vec und Co. 3.5. Hardware maschineller Lernverfahren und Auswahl, Aufbau und Betrieb von ML Clustern 3.6. Maschinelles Lernen in der Cloud
  
  Auswahlinhalte-------------------------
• 4. Weitere ML Verfahren, wie Evolutionäre Algorithmen, Bayessche Netzwerke, Support Vektor Machines, ... im Detail, ihrer Anwendung / Implementierung

Wissensverbreiterung
Die Studierenden, die dieses Modul erfolgreich studiert haben, besitzen ein umfassendes und integratives Wissen und Verständnis zu den Bereichen Data Analytics und maschinelle Lernverfahren mit seinen verschiedenen Methoden und Techniken. Sie können adäquate Methoden und Techniken zur Analyse von Daten gemäß einer gegebenen Problemstellung identifizieren.
Wissensvertiefung
Die Studierenden, die dieses Modul erfolgreich studiert haben, haben ein vertieftes Wissen im Bereich Data Analytics, insbesondere zur Bereinigung, Aufbereitung, deskriptiven und explorativen Datenanalyse sowie zur Visualisierung von Daten / der Ergebnisse. Zudem besitzen Sie ein vertieftes Wissen im Bereich der verschiedenen Varianten künstlicher Neuronaler Netze und ihrer Parametrisierung. Sie können die verschiedenen Methoden und Techniken kontextabhängig korrekt im Sinne der Problemstellung auswählen und parametrisieren.
Können - instrumentale Kompetenz
Die Studierenden, die dieses Modul erfolgreich studiert haben, sind in der Lage, die Methoden und Techniken aus den Bereichen Data Analytics und insbesondere maschineller Lernverfahren gezielt auf unterschiedlichen Daten hinsichtlich zu analysierender Fragestellungen mit aktuellen Frameworks anzuwenden und unterschiedliche Daten (z.B. nach Strukturgrad, Kohärenz) zu analysieren.
Können - kommunikative Kompetenz
In Form von Gruppenarbeiten und Fallbeispielen integrieren und erweitern die Studierenden ihr Wissen und können ihre Datenanalysen kritisch reflektieren hinsichtlich der eingesetzten Methoden und Techniken zur Datenaufbereitung und -analyse sowie der erzielbaren und erzielten Ergebnisse.
Können - systemische Kompetenz
Die Studierenden sind in der Lage eine Fragestellung z.B. aus einem betrieblichen Kontext, bestehend aus verschiedenen Daten mit adäquaten Methoden und Techniken zu analysieren - insbesondere unter dem Einsatzes maschineller Lernverfahren - und die Ergebnisse in der Gesamtheit gemäß der Problemstellung einzubetten und die Fragestellung zu beantworten.

Seminaristische Vorlesung, Übungen, Fallstudien, Selbststudium

Grundkenntnisse in Programmierung und Statistik / Mathematik

Ryba, Michael

• Buschermöhle, Ralf
• Terörde, Gerd

5

Booth, T.: Python - Data Analytics, Independently Published, 2019Chollet, F.: Deep Learning mit Python und Keras: Das Praxisbuch vom Entwickler der Keras-Bibliothek, mitp, 2018Ertel, W.: Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung (Computational Intelligence), Springer Vieweg, 2016Frochte, J.: Maschinelles Lernen: Grundlagen und Algorithmen in Python, Hanser Verlag, 2019Goldberg, D.: Genetic Algorithms in Search, Optimization and Machine Learning, Motilal Books UK, 2008Holland, J.: Adaptation in Natural and Artifical Systems: An Introdutory Analysis with Applications to Biology, Control, and Artificial Intelligence, MIT Press, 1992Kröckel, J.: Data Analytics in Produktion und Logistik, Vogel Communications Group GmbH & Co. KG, 2019Lenze, B.: Einführung in die Mathematik neuronaler Netze, Logos, Berlin 1997Milligan, J.: Learning Tableau: Tools for Business Intelligence, data prep, and visual analytics, Packt Publishing 2019

• Klausur 2-stündig
• Mündliche Prüfung
• Hausarbeit und Referat
• Projektbericht, schriftlich

Die Prüfungsform wird zu Beginn der Lehrveranstaltung durch die/den Lehrenden bekanntgegeben.

1 Semester

Nur Wintersemester

Deutsch