Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

• Kenntnisse im Einsatz von UML zur Datenmodellierung.
• Praktische Erfahrung mit Relationalen Datenbanken (SQL).
• Praktische Kenntnisse in mindestens einer Programmiersprache.

Diese LV behandelt fortgeschrittene Themenbereiche des Managements persistenter Daten. Dazu gehören unter anderem:

• Universelle Patterns zur Modellierung von anwendungsspezifischen Datenstrukturen.
• Gründe für die Verwendung von Standard Patterns beim Entwurf von Datenmodellen.
• Vor- und Nachteile von unterschiedlich stark abstrahierten/generalisierten Entwurfsmustern.
• Das Konzept "Zeit" in Relationalen Datenbanken.
  (a) Unterschiede zwischen nicht-temporalen, temporalen und bi-temporalen Daten.
  (b) Modellierungsstrategien
  (c) "Zeit" beim Erstellen, Ändern und Abfragen von Datenbanken mittels SQL.

"Im Kontext von Big Data und Deep Analytics muss man strukturierte und unstrukturierte Daten verstehen um daraus gezielt Informationen gewinnen zu können. Besonders das Design und die Architektur sind Schlüsselfaktoren bei der Entwicklung von robusten datenintensiven Anwendungen. Der generierte Wert entsteht nicht nur durch Applikationen, welche auf unterschiedlichen Geräten und Servern laufen, sondern durch die zugrundeliegenden Daten. Je besser man diese Daten versteht, desto mehr profitiert man von der Entwicklung, Verwendung und Analyse von Internet-Scale Informationssystemen. (nach Sridhar Iyengar, "UML and Data Modeling", David. C. Hay, 2011)"
Der konzeptionelle Entwurf ist der erste Schritt in der Datenmodellierung und stellt die Verbindung zwischen der "realen Welt" und den technischen Implementierungen her. Konzeptuelle Datenmodelle bieten die Möglichkeit informale fachliche Informationen formal darzustellen, und helfen die zu speichernden/verarbeitenden Daten zu verstehen.

Fach- und Methodenkompetenz (F/M)

• Die Studierenden können die Herausforderungen bei der Entwicklung von konzeptuellen Datenmodelle bennen und gängige Lösungsansätze beschreiben.
• Die Studierenden können den Begriff Data-Dictionary im Kontext der konzeptionellen/logischen Datenmodellierung definieren und erklären.
• Die Studierenden können Data-Dictionaries für Anwendungen erstellen.
• Die Studierenden können unterschiedlich Patterns zur Modellierung von Datenstrukturen beschreiben und erklären.
• Die Studierenden können die Vor- und Nachteile von unterschiedlich stark generalisierten Datenmodellen erklären und diese in SQL implementieren.
• Die Studierenden können auf die erstellten Datenstrukturen mit Hilfe von ORM-Mappern von einer objektorientierten Programmiersprache zugreifen.
• Die Studierenden können auf Basis der Anforderungen einer Applikation die geeigneten Entwurfsmuster auswählen.
• Die Studierenden können die Grundbegriffe der temporalen Datenhaltung bennen und erklären.
• Die Studierenden können die Anforderungen an eine Datenbank, ein Datenmodelle zur Speicherung von temporalen Daten bennen und Standardlösungen beschreiben.
• Die Studierenden können für eine Anwendung begründet entscheiden ob man temporale/bi-temporale Datenhaltung einsetzen soll.
• Die Studierenden können mit Hilfe von SQL temporale Datenbank implementiert und zeitbezogene Abfragen formulieren.

Sozial- und kommunikative Kompetenzen (S/K) und Selbstkompetenzen (S)

• Die Studierenden können gestellte Aufgaben selbständig und fristgerecht lösen (Zuverlässigkeit).
• Die Studierenden können Informationen zusammenfassen und diese zielgruppengerecht präsentieren (Ausdrucksvermögen und Auftreten).
• Die Studierenden verstehen die Lösungen anderer und können konstruktive Verbesserungsvorschläge einbringen und mit Feedback umgehen (Kritikfähigkeit) sowie die eigenen Fähigkeiten und Grenzen reflektieren (Selbstreflexionsfähigkeit).
• Fähigkeit und Bereitschaft, sich neues Wissen selbstständig anzueignen und aus Erfolgen und Misserfolgen zu lernen (Lernkompetenz und -motivation).

Vorlesungen und Übungen mit individuellem Feedback.

• Bewertung von Übungen (50%)
• Bewertung einer Präsentation zu einem ausgewählten Thema der Lehrveranstaltung. (50%)

Für eine positive Gesamtnote müssen in jedem Prüfungsteil mindestens 50% der Punkte erzielt werden.

Nicht zutreffend

• Date, C. J.; Darwen, Hugh; Lorentzos, Nikos (2014): Time and Relational Theory: Temporal Databases in the Relational Model and SQL. 2 edition. Waltham, MA: Morgan Kaufmann. 
• Hay, David C. (2011a): Enterprise Model Patterns: Describing the World. Bradley Beach, NJ: Technics Publications, LLC. 
• Hay, David C. (2011b): UML and Data Modeling: A Reconciliation. Westfield, N.J: Technics Publications, LLC. 
• International, DAMA (2011): The DAMA Dictionary of Data Management, 2nd Edition: Over 2,000 Terms Defined for IT and Business Professionals. 2 edition. Bradley Beach, NJ: Technics Publications, LLC. 
• Johnston, Tom (2014): Bitemporal Data: Theory and Practice. Amsterdam ; Boston: Morgan Kaufmann. 
• Johnston, Tom; Weis, Randall (2010): Managing Time in Relational Databases: How to Design, Update and Query Temporal Data. Har/Psc. Amsterdam ; Boston: Morgan Kaufmann. 
• Silverston, Len (2001a): The Data Model Resource Book, Vol. 1: A Library of Universal Data Models for All Enterprises. Revised edition. New York, NY: Wiley. 
• Silverston, Len (2001b): The Data Model Resource Book, Vol. 2: A Library of Data Models for Specific Industries. Revised edition. New York, NY: Wiley. 
• Silverston, Len (2009): The Data Model Resource Book, Vol. 3: Universal Patterns for Data Modeling. 1 edition. New York: Wiley.

Präsenzveranstaltung mit Anwesenheitspflicht