Modulbeschreibung

Modul:	Big Data Analytics Bases de données avancées (2)
Belegnummern:	41.4984 [NFE205; PVL 41.4985]
Sprache:	deutsch
Zuordnung:	Dualer Master 2021 - Katalog AS: Anwendungs- und systemorientierte Module Dualer Master 2021 - Vertiefung WI: Wirtschaftsinformatik Master 2021 - Katalog AS: Anwendungs- und systemorientierte Module Master 2021 - Vertiefung WI: Wirtschaftsinformatik Dualer Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module Dualer Master 2013 - Vertiefung WI: Wirtschaftsinformatik Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module Master 2013 - Vertiefung WI: Wirtschaftsinformatik Master 2006 - Katalog AS: Anwendungs- und systemorientierte Module Master 2006 - Vertiefung WI: Wirtschaftsinformatik MN Data Science 2016 - Katalog DS-I: Data Science - Informatik
Lehrform:	V+P = Vorlesung+Praktikum
SWS:	3+1
CP:	6
Prüfung:	Klausur
Anmeldung zur Prüfung:	explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):	unbenotet
Häufigkeit des Angebots:	jährlich (zuletzt im SS 2022)
Erforderliche Vorkenntnisse:	Grundsätzliche Statistik- und Programmierkenntnisse sind notwendig. Der vorherige oder gleichzeitige Besuch der Lehrveranstaltungen "Data Mining (Fb I)" bzw. "Data Mining 1 (Fb MN - Data Science)" und "Big Data Technologien" wird empfohlen.
Lernziele:	Die Studierenden haben ein Verständnis für die wachsende Komplexität im Zusammenspiel von Algorithmen, Geschäftsprozessen und Architekturen bei Fragestellungen im Bereich von Analytics auf Big Data. Sie sind in der Lage, für praktische Problemstellungen die strategisch geeigneten Analyseverfahren im Kontext der Gesamtarchitektur und geeigneter Komponenten zum Datenmanagement anzuwenden. Sie können bestehende Systemlandschaften erweitern um Komponenten, die für Analytics auf Big Data erforderlich sind.
Lehrinhalte:	(Mining-) Algorithmen auf horizontal skaliertem Datenmanagement Die Phasen im Data-Science-Prozess - Besonderheiten im Hinblick auf Big Data: Datensammlung Datenbereinigung Datenvorbereitung, Datentransformation Datenvisualisierung Modellierung, Evaluation und Deployment der Ergebnisse Verfahren des Maschinellen Lernens auf großen, verteilten Datenmengen: Clustering Klassifikation Dimensionsreduktion Stream Processing Technologische Konzepte Verarbeitungsgarantien Deskriptive Statistik Modellbildung und Deployment - offline und online Referenzarchitekturen im Bereich Big Data Large Scale Graphs Muster in Graphen und Graph Generierung Connected Components, Community-Maße und Community Detection Graph Partitionierung und Programmiermodelle
Literatur:	Zum Zeitpunkt der Lehrveranstaltung aktuelle wissenschaftliche Publikationen, sowie: O‘Neil, Cathy & Schutt, Rachel. Doing Data Science. O‘Reilly 2014 Agneeswaran, Vijay Srinivas. Big Data Analytics beyond Hadoop. Pearson 2014 Nisbet, R., Elder J., Miner G. Handbook of Statistical Analysis & Data Mining Applications. Academic Press 2009 Andrade, H.C.M., Gedik, B., Turaga, D.S. Fundamentals of Stream Processing. Cambridge University Press 2014 Garofalakis, Gehke, Rastogi: Data Stream Management, Springer 2016 Leskovec, Rajaraman, Ullman: Mining of Massive Datasets, Cambridge University Press, 2014 Marz, N., Warren, J., Big Data - Principles and best practices of scalable real-time data systems. Manning 2015 D. Chakrabarti, C. Faloutsos. Graph Mining. Laws, Tools, and Case Studies.Morgan & Claypool Publishers 2012 R. Brath, D. Jonker. Graph Analysis and Visualization. Discovering Business Opportunity in Linked Data. Wiley 2015
Arbeitsformen / Hilfsmittel:	Seminaristische Vorlesung, Praktikum in Gruppen
Modulverantwortung:	Markus Döhring
Freigabe ab:	SS 2020
Angebot im SS 22:	Döhring
Fachliche Kompetenzen:	Formale, algorithmische, mathematische Kompetenzen: mittel Analyse-, Design- und Realisierungskompetenzen: mittel Technologische Kompetenzen: mittel ((Entwicklungsprozess, Strategischer Einsatz von Werkzeugen, Gütebeurteilung von Modellen und Ergebnissen)) Befähigung zum Wissenschaftlichen Arbeiten: schwach
Überfachliche Kompetenzen:	Projektbezogene Kompetenzen: mittel Fachübergreifende Sachkompetenzen: Technische und naturwissenschaftliche Grundkompetenz, Wirtschaftliche Grundkompetenz Sozial- und Selbstkompetenzen: Analysekompetenz, Urteilskompetenz, Entscheidungskompetenz

Hochschule Darmstadt - Fb Informatik