Data Analytics in Applications

Worum geht's

Du bearbeitest in diesem Modul Data-Analytics-Use-Cases von der Problemformulierung bis zur Umsetzung. Du lernst Methodik (CRISP-DM), Datenaufbereitung, Modellierung (z. B. Klassifikation, Clustering, Regression), Evaluation und Deployment und setzt das Gelernte in einem realen Teamprojekt mit Python praktisch um.

Was du danach kannst

Data-Analytics-Use-Cases identifizieren
Data-Analytics-Projekte strukturiert planen und bearbeiten
Daten aufbereiten und analysieren
Modelle für Descriptive Analytics, Classification, Clustering, Regression anwenden
ML-Modelle bewerten und deployen
Ergebnisse und Code zielgerichtet dokumentieren
Teamarbeit in interdisziplinären Projekten (Learning-by-doing, PoC)

Aus was das Modul besteht

Seminar/ÜbungVermittlung der theoretischen Grundlagen, Use-Cases und Methodik; Übungen mit Jupyter Notebooks (Python)
Teamprojekt (Data Challenge)Eigenständige Bearbeitung eines realen Use-Cases in Gruppen, unterstützt durch Sprechstunden und Firmenmentoren

Lehrmethode

Seminare mit ÜbungenVermittlung von Theorie und praktischer Anwendung mittels Jupyter Notebooks
Teamprojekt mit SprechstundenAnwendung des Gelernten in einem realen Data-Challenge-Format (Proof of Concept) zur Förderung von Praxis- und Teamkompetenz
Gastvorträge und Kooperation mit IndustriepartnernPraxisorientierte Einblicke, Zugang zu Datenquellen und Industriekontakten

Solltest du schon können

Grundlegende Programmierkenntnisseempfohlen

Prüfung

ProjektarbeitTeamarbeitPräsentationAbgabe

Die Modulnote setzt sich zusammen aus der Seminararbeit (90%) und einer Abschlusspräsentation (10%). Die Seminararbeit umfasst die Dokumentation der erarbeiteten Lösung sowie den auskommentierten Python-Quellcode in digitaler Form. Die Abschlusspräsentation dauert 30 Minuten. Aufgaben werden in Teamarbeit bearbeitet; bei der Präsentation sind Mentoren der Data Challenge anwesend.

Literatur

Dursun Delen - Applied Data Mining for Business Analytics
Mark Lutz - Learning Python: Powerful Object-Oriented Programming
Sebastian Raschka - Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn: Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics

Termine

SeminarData Analytics in Applications (MGT001307, englisch)4 Gruppen zur Wahl

ADo.16:00–17:30Online: Videokonferenzeinmalig am 15.10.
BFr.08:00–17:30Z538, Seminarraum (0505.Z1.538Z)einmalig am 29.01.
CFr.09:00–12:00Online: Videokonferenzeinmalig am 27.11.
DFr.13:15–16:30
Theresianum, 0606, Hörsaal ansteigend, ohne exp. B (0506.EG.606)
6× · 16.10.–15.01.
- 16.10.
- 20.11.
- 27.11.
- 04.12.
- 18.12.
- 15.01.
DFr.13:15–16:302770, Hörsaal (0507.02.770)einmalig am 23.10.
DFr.13:15–15:30Online: Videokonferenzeinmalig am 30.10.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter