Web Communication & Information Systems BB
Jetzt
Bewerben

CRM & Information Mining II

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

2. Studienzyklus, Master

Lernergebnisse der Lehrveranstaltung/des Moduls

Die AbsolventInnen besitzen detaillierte Kenntnisse über grundlegende Techniken, Aufgaben und Einsatzgebiete eines Data-Warehouse Systems. Die Studierenden haben detaillierte Kenntnis über Verfahren zur Ermittlung von Faktenwissen und deren multidimensionalen Modellierungstechniken. In diesem Zusammenhang kennen die Studierenden die grundlegenden Unterschiede der gängigen Speicherungsarten (ROLAP, MOLAP) und können diese gezielt einsetzen, sowie die Effizienz von Systemen durch Optimierungstechniken steigern.

Aus dem zweiten Schwerpunkt der Lehrveranstaltung haben die Studierenden fundierte Kenntnisse über vorhandene Algorithmen und Verfahren des Information Minings und können diese Verfahren gezielt im Bereich des Data und Web Minings einsetzen.

Voraussetzungen laut Lehrplan

nicht zutreffend

Lehrinhalte

In der Vorlesung werden grundlegende Themen im Bereich der Data-Warehouse-Systeme und dem Information Mining (Data/Web/Social/Content) gelehrt. Dazu gehören folgende Schwerpunkte untergliedert in die beiden Hauptgebiete:

Data-Warehouse Systeme: Vermittlung von Faktenwissen und Inhaltskompetenz; Architektur und Aufbau von Data Warehouses; Unterschied zwischen transaktionellen Daten und Datenanaylse; Grundlegende Kenntnisse der multidimensionalen und der praktischen Datenmodellierung (Star-Schema, Snowflake Schema, usw., plus Auswahl des richtigen Modells); Grundlagen des ETL Prozesses; OLAP Operationen und graphische Modellierung mit verschiedenen Datenmodellen, z.B. M-ER Speicherung multidimensionaler Daten: ROLAP (relationale) versus MOLAP (multidimensionale Variante); Indexstrukturen für Data Warehouses: Multidimensionale Indexstrukturen und deren Optimierungsmöglichkeiten: Star Joins und Partitionierung, Optimierung von OLAP Operationen

Information Mining: Grundlegende Prinzipien des Information Mining (Statistik, Machine Learning und Datenbanksysteme); Datenstrukturen für Data Mining und KDD; Clustering: Hierarchisches Cluster, k-Means, DBSCAN; grundlegende Techniken (Assoziationsregeln (A-Priori Algorithmus, usw.), Klassifikation (Naive Bayes, usw.), Regression, usw.); Support Vector Machines; Decision Trees; Maschinelles Lernen in der Praxis; Zeitreihen; Anwendung der Techniken und Methoden im Text, Daten, Web, und Social-Web Umfeld; Anwendungen für Data Mining Konzepte (z.B. bei der Preisgestaltung von Billigflügen, der Kalkulation von Versicherungsbeiträgen, Kreditentscheidungen und im Marketing, usw.).

empfohlene Fachliteratur

- Andreas Bauer, Holger Günzel: Data-Warehouse-Systeme : Architektur, Entwicklung, Anwendung, Heidelberg : dpunkt-Verl., 2001;
- Ian H. Witten, Eibe Frank: Data Mining: praktische Werkzeuge und Techniken für das maschinelle Lernen, Hanser, 2001.
- Wolfgang Lehner: Datenbanktechnologie für Data-Warehouse-Systeme : Konzepte und Methoden, Heidelberg, dpunkt, 2003.

Bewertungsmethoden und -kriterien

LV-abschließende Prüfung; Projekt

Unterrichtssprache

Deutsch

Anzahl der zugewiesenen ECTS-Credits

5

geplante Lehr- und Lernmethoden

Vortrag, Gruppenarbeit,Präsentation und Diskussion von Aufgaben

Semester/Trimester, in dem die Lehrveranstaltung/das Modul angeboten wird

3

Semester-Wochen-Stunden (SWS)

3

Name des/der Vortragenden

Dr. Kohlegger Michael

Studienjahr

2

empfohlene optionale Programmeinheiten

nicht zutreffend

Kennzahl der Lehrveranstaltungen/des Moduls

VT.CRM.2

Art der Lehrveranstaltung/des Moduls

Pflichtfach(Integrierte Lehrveranstaltung)

Art der Lehrveranstaltung

Präsenzveranstaltung

Praktikum/Praktika

nicht zutreffend