Wirtschaftswissenschaftliche Fakultät

Search

Course Details



Prof. Okhrin
WIW-0255


Data Mining

Lecturer: Dr. Sebastian Heiden
Type: Vorlesung
Exam: written examination
ECTS: 5
Term: summer
Level: Bachelor
Limitation: None

Fachbezogene Kompetenzen: Nach der erfolgreichen Teilnahme an diesem Modul sind die Studierenden in der Lage, verschiedene Data Mining Verfahren formal nachzuvollziehen, diese adquat anzuwenden und die erhaltenen Ergebnisse korrekt zu interpretieren. Die innerhalb der Veranstaltung eingefhrten Methoden knnen die Studierenden nach der Teilnahme mit der Statistiksprache R selbststndig umsetzen. Auch wird ein gewisses kritisches Verstndnis fr die unterschiedlichen Modellanforderungen, die Modellierungsablufe und den Vergleich der Modellgte geweckt. Methodische Kompetenzen: Die Studierenden verstehen die typischen Anwendungsprobleme der linearen Regression und erlernen nicht-lineare Modellierungsanstze wie Neuronale Netze und Regressionsbume (Rekursive Partitionierung). Daneben werden Klassifikationsmethoden zur Modellierung binrer und nominaler Daten (u.a. logistische Regression) analysiert. Zudem sind die Studierenden in der Lage mithilfe der Clusteranalyse groe Datenstze in kleinere, homogenere Gruppen aufzuteilen um diese anschlieend gruppenspezifisch mit weiteren Methoden untersuchen zu knnen. Fachbergreifende Kompetenzen: Fr die praktische Anwendung wird die Statistiksoftware R verwendet. Die Studierenden sind damit in der Lage die erlernten Data Mining Verfahren auf praktische Fragestellungen und groe Datenstze in unterschiedlichen Bereichen anzuwenden. Schlsselkompetenzen: Die Studierenden sind in der Lage Datensituationen richtig einzustufen, passende Modellierungsverfahren auszuwhlen und praktisch umzusetzen, die Ergebnisse aussagekrftig darzustellen und zu interpretieren sowie die Gte der jeweiligen Methoden zu bewerten.


For further information or application procedure please check the module manual and the website of the chair.