Modulbeschreibung
SP-Data Science
Kurzzeichen:
M_SPDATASC
Durchführungszeitraum:
FS/20-FS/25
ECTS-Punkte:
4
Lernziele:
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.
Verantwortliche Person:
Politze Daniel Patrick
Standort (angeboten):
Rapperswil-Jona
Zusätzlich vorausgesetzte Kenntnisse:
Statistik
Solid command of the English language, the lectures are held in English.
Skriptablage:
Modultyp:
Standard-Modul für Wirtschaftsingenieurwesen STD_18(Empfohlenes Semester: 6)
Pflichtmodul für Smart Products and Data Science STD_18 (VR)
Standard-Modul für Wirtschaftsingenieurwesen U_18(Empfohlenes Semester: 6)
Pflichtmodul für Smart Products and Data Science U_18 (VR)
Standard-Modul für Wirtschaftsingenieurwesen STD_21(Empfohlenes Semester: 6)
Pflichtmodul für Smart Products STD_21 (VR)
Standard-Modul für Wirtschaftsingenieurwesen STD_24(Empfohlenes Semester: 6)
Pflichtmodul für Smart Products STD_24 (VR)
Bemerkungen:
Workload [h]
Vorlesung: 14
Übungen: 42
Selbststudium: 64
Total: 120
ECTS-Punkte pro Kategorie
Technik, Produktion, Logistik und IT / 4 Punkte
Technik, Produktion, Logistik und IT / 4 Punkte
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während der Prüfungssession:
Schriftliche Prüfung, 90 Minuten
Kurse in diesem Modul
SP-Data Science
Kurzzeichen:
SPDATASC
Lernziele:
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
Plan und Lerninhalt:
Themen-/Lernblöcke:
- Einführung (Data Mining Prozess)
- Datenaufbereitung und Visualisierung
- Warenkorbanalyse
- Klassifikation
- Clustering/Segmentierung
- Abschluss
Unterrichtssprache:
Englisch
Bibliographie:
Kursart:
(Durchführung gemäss Stundenplan)
Vorlesung mit 1 Lektionen pro Woche
- Max. Teilnehmer: 108
- Harte Grenze: ja
Uebung mit 3 Lektionen pro Woche
- Max. Teilnehmer: 18
- Harte Grenze: ja