| Titel der Lehrveranstaltung / des Moduls | Data Processing |
| Kennzahl der Lehrveranstaltung / des Moduls | 024827023101 |
| Unterrichtssprache | Deutsch |
| Art der Lehrveranstaltung (Pflichtfach, Wahlfach) | Pflichtfach |
| Semester in dem die Lehrveranstaltung angeboten wird | Sommersemester 2027 |
| Semesterwochenstunden | 2 |
| Studienjahr | 2027 |
| Niveau der Lehrveranstaltung / des Moduls laut Lehrplan | 1. Zyklus (Bachelor) |
| Anzahl der zugewiesenen ECTS-Credits | 3 |
| Name des/der Vortragenden | Gunther ROTHFUSS
Markus SEEBERGER
Heidi WEBER |
| Voraussetzungen und Begleitbedingungen |
Erfolgreiche Teilnahme an der Lehrveranstaltung Date Engineering oder vergleichbare Kenntnisse. |
| Lehrinhalte |
Grundlagen des Datenmanagements
- Daten, Informationen und Wissen
- Bedeutung von Daten in betrieblichen Prozessen
- Datenqualität und Datenlebenszyklus
- Einführung in relationale Datenbanken
Datenmodellierung und relationale Datenbanken
- Entitäten, Attribute und Beziehungen
- Primär- und Fremdschlüssel
- Entity-Relationship-Modell
- Umsetzung von Datenmodellen in relationale Datenbanken
SQL und Datenzugriff
- Abfragen mit SELECT
- Filtern, Sortieren und Aggregieren von Daten
- Verknüpfung von Tabellen mittels JOIN
- Einfügen, Ändern und Löschen von Daten
- Nutzung generativer KI zur Unterstützung bei der Erstellung von SQL-Abfragen
Datenverarbeitung mit Python
- Objektorientierte Grundlagen
- Klassen, Objekte, Attribute und Methoden
- Zugriff auf relationale Datenbanken mit Python
- Einlesen und Weiterverarbeiten von Daten aus einem SQL-Server
- Einführung in NumPy, Pandas, Matplotlib
- Interpretation und Bewertung von Analyseergebnissen
KI-gestütztes Datenmanagement
- Einsatz generativer KI zur Unterstützung von Datenanalyseaufgaben
- Kritische Bewertung KI-generierter SQL-Abfragen und Python-Programme
- Datenschutz, Datenqualität und Grenzen KI-gestützter Verfahren
Praxisprojekt
- Entwicklung einer datenbasierten Lösung für eine wirtschafts- oder ingenieurwissenschaftliche Problemstellung
- Datenbeschaffung aus einer relationalen Datenbank
- Analyse und Visualisierung der Daten mit Python
- Präsentation, Dokumentation und Reflexion der Ergebnisse
|
| Lernergebnisse |
Die Lehrveranstaltung vermittelt grundlegende Methoden des Datenmanagements sowie der datenbasierten Analyse mit relationalen Datenbanken und Python.
Die Studierenden
- können die Bedeutung von Daten für betriebliche Entscheidungs- und Geschäftsprozesse erläutern.
- können grundlegende Konzepte des Datenmanagements und relationaler Datenbanken beschreiben.
- können einfache Datenmodelle erstellen und deren Struktur begründen.
- können Beziehungen zwischen Datenobjekten analysieren und in relationalen Datenbanken abbilden.
- können SQL-Abfragen zur Selektion, Aggregation und Verknüpfung von Daten entwickeln und anwenden.
- können die Qualität von Datenbeständen beurteilen und typische Qualitätsprobleme identifizieren.
- können Daten aus relationalen Datenbanken mit Python abrufen und weiterverarbeiten.
- können Module in Pythonprojekte integrieren und vordefinierte Klassen und Methoden nutzen (insbesondere NumPy und Matplotlib)
- können generative KI-Werkzeuge zur Unterstützung datenbezogener Aufgabenstellungen zielgerichtet einsetzen.
- können datenbasierte Erkenntnisse adressatengerecht kommunizieren und begründen.
|
| Geplante Lernaktivitäten und Lehrmethoden |
- Theoretische Einheiten/Input zu den Konzepten des Datenmanagements
- Übungseinheiten mit Hinweisen zur Umsetzung
- Projektarbeit und Dokumentation in Kleingruppen
|
| Prüfungsmethode und Beurteilungskriterien |
- 50 % Grundlagen des Datenmanagements und relationaler Datenbanken, SQL- und Python-Konzepte (schriftliche Prüfung)
- 50 % Projektarbeit inklusive Präsentation, Dokumentation und Reflexion
|
| Kommentar |
Die Lehrveranstaltung fördert insbesondere die Future Skills Focus on Quality, Develop Digital Literacy und Enhance Communication Skills. Dies erfolgt durch die Analyse und Bewertung realer Datenbestände, den reflektierten Einsatz digitaler und KI-gestützter Werkzeuge, sowie die adressatengerechte Kommunikation von Analyseergebnissen. |
| Empfohlene Fachliteratur und andere Lernressourcen |
- Online Dokumenationen für Python, Pandas, Matplotlib und NumPy
- Häberlein, T. (2024). Programmieren mit Python: Eine Einführung in die Prozedurale, Objektorientierte und Funktionale Programmierung (1. Aufl. 2024). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-68678-2
- Kofler, M. (2024). Datenbanksysteme: Das Umfassende Lehrbuch. Rheinwerk Publishing Inc. https://ebookcentral.proquest.com/lib/vorarlberg/detail.action?docID=7425427
- Kofler, M., Öggl, B., & Springer, S. (2026). Coding mit KI: Das Praxisbuch für die Softwareentwicklung (2nd ed). Rheinwerk Computing. (4482637). https://research.ebsco.com/plink/e9301503-a59c-3a35-80b5-c3716c04a6a9
- Silberschatz, A., Korth, H. F., & Sudarshan, S. (2020). Database system concepts (7. Aufl.). McGraw-Hill Education. https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2752941&lang=de&site=ehost-live&scope=site
|
| Art der Vermittlung |
- Präsenzveranstaltung
- Übungen
- Projektarbeit
|