Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

LV Business Intelligence & Data Analytics

• Vorgehensmodelle für fortgeschrittene BIA-Projekte, insb. CRISP-DM.
• Betriebliche Einsatzzwecke für fortgeschrittene BIA-Verfahren, insb. solche, die der KI zugerechnet werden.
• Mathematische und technische Grundlagen des Data Mining
• Mathematische und technische Grundlagen neuronaler Netze und anderer aktueller Methoden der KI.
• LLMs (large language models).
• Kosten-Nutzen-Risiko-Abschätzung für fortgeschrittene BIA-Projekte.
• Praktische Übungen im Data Mining und der KI mit Hilfe einer Low Code-Plattform (z.B. Rapid Miner).

Die Studierenden

• kennen das CRISP-DM und die betrieblichen Einsatzzwecke für fortgeschrittene BIA-Verfahren, insb. solche, die der KI zugerechnet werden.
• kennen die mathematischen und technischen Grundlagen des Data Mining sowie generativer Modelle, insbesondere der LLMs (large language models) im Sinne einer Mitsprachekompetenz.
• kennen die Grundlagen neuronaler Netze sowie im Grundsatz den aktuellen Stand der Technik in der KI im Sinne einer Mitsprachekompetenz.
• können eine einfache Kosten-Nutzen-Risiko-Abschätzung für Projekte machen, in denen fortgeschrittene BIA-Verfahren eingesetzt werden sollen.
• können einfache Aufgaben aus dem Data Mining und der KI mit Hilfe einer Low Code-Plattform wie z.B. Rapid Miner lösen.

• Vorlesungen mit Diskussion und Lehrgesprächen
• Seminare und praktische Übungen mit konkreten Softwareprodukten
• Selbststudium / eigenverantwortliche Übungen
• Eigenständiges kleines Data Mining / KI-Projekt auf Grundlage einer Low Code-Plattform

75% Projektarbeit in Kleingruppen

25% Schriftliche Prüfung (digital)

Für eine positive Gesamtnote müssen insgesamt über alle Prüfungsteile mindestens 50% der Punkte erzielt werden.

Olson, David L., Lauhoff, Georg: Deskriptives Data-Mining. SpringerGabler, 2023

Runkler, Thomas A.: Data Mining. Springer Fachmedien Wiesbaden, 2. Auflage 2015 

Buxmann, P.; Schmidt, H. (Hrsg.): Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg. Berlin, Heidelberg: Springer Berlin Heidelberg, 2021.

Kersting, K.; Lampert, C.; Rothkopf, C. (Hrsg.): Wie Maschinen lernen: Künstliche Intelligenz verständlich erklärt. Wiesbaden: Springer Fachmedien Wiesbaden, 2019.

Portmann, E.; D’Onofrio, S. (Hrsg.): Cognitive Computing: Theorie, Technik und Praxis. Wiesbaden: Springer Fachmedien Wiesbaden, 2020.

Weitere Fachliteratur wird in der Lehrveranstaltung bekannt gegeben.

Präsenzveranstaltung mit Anwesenheitspflicht

Teile der vertiefenden Vorlesungsinhalte sowie der Softwareübungen asynchron

Softwaregestütztes Projekt mit Selbstlernanteil