Technische Universität Ilmenau

Datenanalyse und Data Mining - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Datenanalyse und Data Mining im Studiengang Master Wirtschaftsinformatik 2021
Modulnummer200784
Prüfungsnummer2500539
FakultätFakultät für Wirtschaftswissenschaften und Medien
Fachgebietsnummer 2532 (Quantitative Methoden der Wirtschaftswissenschaften)
Modulverantwortliche(r)Prof. Dr. Udo Bankhofer
TurnusSommersemester
SpracheDeutsch
Leistungspunkte5
Präsenzstudium (h)34
Selbststudium (h)116
VerpflichtungWahlmodul
Abschlussschriftliche Prüfungsleistung, 90 Minuten
Details zum Abschluss
Link zum Moodle-Kurs https://moodle2.tu-ilmenau.de/course/info.php?id=3415
LehrendeBankhofer
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse

Bachelorabschluss

Lernergebnisse und erworbene KompetenzenDie Studierenden sind in der Lage, multivariate Daten zu analysieren und entsprechende Methoden bei der Auswertung multivariater Daten richtig einzusetzen. Sie können die Analyseergebnisse bewerten und im Hinblick auf die zugrundeliegende Problemstellung interpretieren. Nach intensiven Diskussionen und Gruppenarbeit während der Übungen sind die Studierenden in der Lage, Leistungen ihrer Mitkommilitonen richtig einschätzen und würdigen. Sie berücksichtigen Kritik, beherzigen Anmerkungen und nehmen Hinweise an.


Mit der Vorlesung werden vor allem Fach- und Methodenkompetenz, mit der Übung zusätzlich Sozialkompetenz vermittelt.

Inhalt

1. Daten- und Distanzmatrizen

1.1 Objekte, Merkmale, Distanzen

1.2 Merkmalstypen und ihre Distanzen

1.3 Aggregation von Distanzen


2. Clusteranalyseverfahren

2.1 Klassifikationstypen

2.2 Startheuristiken

2.3 Bewertungskriterien

2.4 Partitionierende Klassifikationsverfahren

2.5 Hierarchische Klassifikationsverfahren

3. Repräsentationsverfahren

3.1 Mehrdimensionale Skalierung 

3.2 Faktorenanalyse 

4. Identifikationsverfahren

4.1 Multiple Regression

4.2 Diskriminanzanalyse

4.3 Varianzanalyse

5. Assoziationsanalyse

5.1 Interessantheitsmaße

5.2 Generierung von Assoziationsregeln


Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form

Interaktives Tafelbild, PowerPoint-Folien. Skript, Aufgabensammlung und die letzten 8 Klausuren (verfügbar per Download), Moodle: https://moodle2.tu-ilmenau.de/course/index.php?categoryid=223

Literatur

Jeweils in der aktuellen Auflage:
- Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate Analysemethoden, Springer, Berlin
- Bankhofer, Vogel: Datenanalyse und Statistik. Eine Einführung für Ökonomen im Bachelor, Gabler, Wiesbaden 
- Bausch, T.; Opitz, O.: PC-gestützte Datenanalyse mit Fallstudien aus der Marktforschung, Vahlen, München 
- Bowerman, B.L.; O´Connell, R.T.: Forecasting and time series, Duxbury Press
- Everitt, B.; Dunn, G.: Applied Multivariate Data Analysis, Arnold, London
- Fahrmeir, L.; Hamerle, A.; Tutz,: Multivariate statistische Verfahren, de Gruyter, Berlin
- Gaul, W.; Baier, D.: Marktforschung und Marketing Management: computerbasierte Entscheidungsunterstützung, Oldenbourg
- Hartung, J.; Elpelt, B.: Multivariate Statistik, Oldenbourg, München
- Opitz, O.: Numerische Taxonomie, UTB, Fischer, Stuttgart
- Jobson, J.D.: Applied Multivariate Data Analysis, Volume I: Regression and Experimental Design, Springer, New York
- Jobson, J.D.: Applied Multivariate Data Analysis, Volume II: Categorical and Multivariate Methods, Springer, New York

Lehrevaluation