In dieser LV werden die Grundlagen von Data Science im betriebswirtschaftlichem Kontext vermittelt. Unter dem Begriff "Data Science" wird dabei die datengetriebene Entscheidungsunterstützung verstanden. Neben einer klassischen deskriptiven Datenanalyse werden dazu auch Methoden des maschinellen Lernens diskutiert und angewandt.

Studierende verstehen die wichtigsten Begriffe (z.B. Data Science, Big Data, Mascinelles Lernen) und können deren Bedeutung für wichtige Themen (z.B. Künstliche Intelligenz) beurteilen. Sie sind in der Lage das Potential und die Gefahren einer datengetriebenen Entscheidungsunterstützung für Manager*innen realistisch abzuschätzen. Darüber hinaus können Sie kleinere Anwendungen des maschinellen Lernens selbst durchführen und deren Ergebnisse interpretieren.

Für eine PI ist laut Prüfungsordnung volle studentische Anwesenheit vorgesehen. Abwesenheit in den Präsenz-Einheiten wird in maximal 1 Einheit toleriert. Durch die Abwesenheit verpasste Punkte können nicht nachgeholt werden. 

Anwesenheit in der ersten LV-Einheit ist jedenfalls verpflichtend. Erscheint ein Studierender unentschuldigt nicht zur ersten Einheit der Lehrveranstaltung, so wird dieser von der Lehrveranstaltung abgemeldet und der nächste Studierende auf der Warteliste, der auch anwesend ist, erhält seinen Platz. Entschuldigungen für das Fernbleiben aus einem wichtigen Grund werden bis zum Beginn der Einheit durch die LV-Leiter per E-Mail entgegengenommen.

Die Lehrveranstaltung gliedert sich grob in zwei Phasen:

In einer ersten Phase (Einheiten 1-3) werden Grundlagen vorwiegend mittels Frontalvortrag vermittelt, sowie eine Einführung in die Softwareumgebung "R" stattfinden.

In der zweiten Phase (Einheiten 4-5) werden von den Studierenden Anwendungen des maschinellen Lernens präsentiert, welche in der Zeit zwischen den beiden Phasen erarbeitet werden.

In allen Einheiten wird ausreichend Raum für Diskussionen zu aktuellen Themen vorhanden sein. In den Einheiten 2-5 wird dies auch teilweise durch Studierende vorbereitet/moderiert werden.

Die Gesamtpunkte ergeben sich wie folgt:

• Präsentation einer Anwendung des maschinellen Lernens (Gruppenleistung, 40%)
• Vorbereitung, Moderation und aktive Teilnahme an Diskussionen (mehrere Einzelleistungen, 30%)
• Konzeption einer Anwendung des maschinellen Lernens (Einzelleistung, 30%)

Notenschlüssel:

ab 90% = Sehr Gut
ab 80% = Gut
ab 70% = Befriedigend
ab 60% = Genügend 

Please log in with your WU account to use all functionalities of read!t. For off-campus access to our licensed electronic resources, remember to activate your VPN connection connection. In case you encounter any technical problems or have questions regarding read!t, please feel free to contact the library at readinglists@wu.ac.at.

Es ist NICHT notwendig bereits Erfahrung im Programmieren (generell) oder mit der Software R zu haben. Ein grundsätzliches Interesse am Arbeiten mit Daten sollte aber vorhanden sein.