Modulbeschreibung

SP-Data Science

Kurzzeichen:
M_SPDATASC
Unterrichtssprache:
Englisch
ECTS-Credits:
4
Leitidee:

Überblick über relevante Themen, wie mit Daten richtig umgegangen wird. In den Übungen wird spezifisch ein passendes Software-Tool geschult und die Theorie an passenden Fragestellungen angewendet.

Modulverantwortung:
Prof. Dr. Politze Daniel Patrick
Standort (angeboten):
Rapperswil-Jona
Zusätzliche Eingangskompetenzen:

Statistik

Solid command of the English language, the lectures are held in English.

Modultyp:
Wahlpflicht-Modul für Wirtschaftsingenieurwesen STD_18(Empfohlenes Semester: 6)Kategorie:Produktionstechnik (W-PT)
Pflichtmodul für Smart Products and Data Science STD_18 (VR)
Wahl-Modul für Wirtschaftsingenieurwesen U_18(Empfohlenes Semester: 6)
Pflichtmodul für Smart Products and Data Science U_18 (VR)
Wahlpflicht-Modul für Wirtschaftsingenieurwesen STD_21(Empfohlenes Semester: 6)Kategorie:Technik, Produktion, Logistik und IT (W-TPLI)
Pflichtmodul für Smart Products STD_21 (VR)
Wahlpflicht-Modul für Wirtschaftsingenieurwesen STD_24(Empfohlenes Semester: 6)Kategorie:Technik, Produktion, Logistik und IT (W-TPLI)
Pflichtmodul für Smart Products STD_24 (VR)
Bemerkungen:

Workload [h]
Vorlesung: 14
Übungen: 42
Selbststudium: 64
Total: 120

Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Modulschlussprüfung:
Schriftliche Prüfung, 90 Minuten

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

Fachkompetenzen

Die Teilnehmenden können:

  • Ausgewählte Themen von Informationssystem- und Datenbanksystem-Anwendungen kennen und die entsprechenden Werkzeuge anwenden können
  • Sie kennen den Data-Mining (DM) Prozess und verschiedene DM-Anwendungen
  • Sie kennen die Eigenschaften der wichtigsten Algorithmen für die Klassifikation, die Segmentierung und für die Warenkorbanalyse und können diese an einfacheren Szenarien anwenden
  • Sie werten Daten aus und erstellen Datengrundlagen für Entscheidungen
  • Sie wenden Daten als Basis für Prozessverbesserungen, neue Produkte, Services und darauf zugeschnittene Geschäftsmodelle an

 

Methodenkompetenzen

Die Teilnehmenden kennen:

  • Grundlagen der Datenkonsolidierung und Datenaufbereitung
  • Grundlagen Data Mining

 

Selbstkompetenzen

  • Selbstmotivation an einem schwierigen Thema
Modul- und Lerninhalt:

Themen-/Lernblöcke:

  • Einführung (Data Mining Prozess)
  • Datenaufbereitung und Visualisierung
  • Warenkorbanalyse
  • Klassifikation
  • Clustering/Segmentierung
  • Abschluss