Data Science & Intelligent Analytics

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefaltete, künstliche neuronale Netze (CNN)
- Rekursive, künstliche neuronale Netze (RNN, LSTM)
- Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.)

Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.

Einführung
- IoT Architektur (z.B. Referenzmodelle)
- Anforderungen an IOT Systeme
- IOT Datenübertragungsprotokolle
- Einsatz von IOT im industriellen Kontext (Beispiele)
- Grundlagen der Sensorik
- Grundlagen von embedded Systemen

Implementierung
- Vorgehen bei der Implementierung von IOT
- Prototypische Implementierung von IOT
- Auswahl von Sensoren
- Erhebung, Visualisierung und Auswertung von Daten
- Herausforderungen bei der Implementierung

- Überblick agiler Vorgehensmethoden
- Rollen im agilen Prozess
- Ablauf eines agilen Projekts (Sprins, Dailies, Demos, Retros)
- Coachen eines agilen Projekts (z.B. Fragetechniken)
- Erfahrungen mit agilen Projekten aus der Softwareentwicklung
- Herausforderung beim Entwickeln smarter Produkte
- Methoden der Produktentwicklung (z.B. FMEA, TRIZ)
- Vorteile von hybriden Vorgehensmethoden
- Rolle des Managements im agilen Prozess

- Grundbegriffe: Geschäftsprozess, Workflow, BPMS, WFMS, RPA, etc.
- Auswahlkriterien für Workflow-Engines zur Prozessautomatisierung
- Architektur und Integrationen von Workflows zur Prozessautomatisierung
- Überblick zur Interprozesskommunikation
- Transaktionale Eigenschaften der Prozesse, Simulation und Code-Generierung
- Grundlagen zu Microsoft Dynamics 365: Module und Navigation, Basis-Entitäten und Standard-Workflows
- Organisatorische und technische Umsetzung mit Konfiguration und deklarativer Programmierung

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Grundlagen der beschreibenden Statistik
- Messsystemanalyse
- Stichprobenbestimmung
- Statistische Prozesskontrolle
- Prozesskontrollcharts
- Prozessfähigkeitsanalyse
- Components of Variants Analyse (COV)
- Wiederholung Grundlagen der schließenden Statistik
- Fehlerursachen-Bestimmung über Hypothesen testen (T-test, Chi-Sq, ANOVA)
- Multiple Regressionsanalyse

Den Studierenden wird ein Überblick von gängigen Business Plattformen und Cloud Computing vermittelt. Zusätzlich werden Vor- und Nachteile der jeweiligen Plattformen vermittelt. Studierende sind dadurch in der Lage, geeignete Plattformen für ein gegebenes Problem zu selektieren. In Fallbeispielen erlangen die Studierenden praktische Erfahrungen mit ausgewählten Plattformen. Zusätzlich werden mit den Studierenden Methoden zur Definition von Schnittstellen behandelt.

In der Vorlesung werden grundlegende Konzepte aus dem Arbeits- und Forschungsfeld Mensch-Computer Interaktion (Usability, User Experience, User Interface Design) sowie der Informationsvisualisierung gelehrt. Dazu gehören folgende Schwerpunkte: User Interface Architekturen; Designkriterien, Guidelines und Normen zur Erstellung und Modellierung von Benutzungsoberflächen von interaktiven Systemen; Ansätze und Methoden (quantitative und qualitative) zur Evaluation von Benutzungsschnittstellen interaktiver Systeme; Web Style-Guides und Bewertungskriterien für Webseiten (z.B. im Hinblick auf Accessibility/Barrierefreiheit); Grundlagen der Darstellung von Informationen und Datenvisualisierung; Interaktive Informationsvisualisierung;

In der Übung werden die theoretischen Vorlesungsinhalte an praktischen Beispielen aufbereitet und anhand eines kleinen Projekts (Usability Evaluierung) im Team umgesetzt.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Vorstellung unterschiedlicher anwendungsorientierter Analyseplattformen (z.B KNIME, RapidMiner, Grafana)
- Vorstellung unterschiedlicher Cloudlösungen für die Datenanalyse (z.B. Google Cloud, AWS, Azure)
- Anwenden der vorgestellten Plattformen am Beispiel von Analysedatensätzen
- Diskussion der unterschiedlichen Ansätze

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Reasoning-Ansätze (Roal trees, Regelbasierte Expertensysteme)
- Such-Ansätze (depth-first, hill climbing, beam, optimal, branch and bound, A*, games, minimax, and alpha-beta)
- Constraint-Ansätze (Search, domain reduction, visual object recognition)
- Lern-Ansätze (neural nets, back propagation, genetic algorithms, sparse spaces, phonology, near misses, felicity conditions, support vector machines, boosting)
- Repräsentation-Ansätze (classes, trajectories, transitions)
- Einsatzmöglichkeiten von künstlicher Intelligenz in unterschiedlichen Kontexten
- Schwache versus starke, künstlicher Intelligenz

Diese Lehrveranstaltung wird zusammen mit dem Master Web Communication & Information Systems als Wahlveranstaltung angeboten.

Den Studierenden werden in die grundlegenden Eigenschaften von Big Data eingeführt. Dabei wird besonderes Augenmerk auf den Umgang mit diesen Daten gelegt und das erworbene Wissen mit Beispielen gefestigt. Für die Lösung von Big Data Problemen, werden geeignete Frameworks vorgestellt und im Rahmen von interaktiven Workshops mit Fallstudien bearbeitet. Als Beispiele hierfür sind zu nennen:

- Apache Hadoop
- Apache Spark
- Apache Flink
- Apache Storm
- Apache Samza
- Apache Kafka

Diese Frameworks sollen anhand von Fallbeispielen erklärt und eingesetzt werden. Dafür kann auf die zentral bereitgestellten Data Labs zugegriffen werden.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- CRM auf der strategischen Ebene
- CRM im Prozessmanagement
- CRM auf der operativen Ebene (CRM Softwaresysteme)
- Operatives CRM
- Analytisches CRM
- Kommunikatives CRM

Diese Lehrveranstaltung wird zusammen mit dem Master Web Communication & Information Systems als Wahlveranstaltung angeboten.

Folgende exemplarische Inhalte werden in der Lehrveranstaltung besprochen:

- Biologie (z.B. Genome Forschung, Medizinische Diagnoseverfahren usw.)
- Physik (z.B. Objekterkennung durch Bilddatenverarbeitung usw.)
- Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
- Datengetriebene Wartung (z.B. Prediktive Maintenance, Digital Twin)
- Datenoptimiertes Produktdesign (z.B. Design von Produkteigenschaften durch KNN)
- Auswertung von Sensordaten (z.B. Obstacle Detection, Obstacle Avoidance, Vorhersage usw.)
- Cloudbasierte IoT Systeme (Datenspeicherung und Sammlung)
- Sensorauswertung über Raspberry Pi, Arduino, Funksysteme

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Auswertungswerkzeuge mit visueller Ausrichtung, z.B. Bl-Tools wie MS PowerBl, Tableau, QlikView
- Darstellungsbibliotheken, z.B. matplotlib.pyplot, gglot2
- Regeln der visuellen Communication, z.B. Hichert SUCCESSS

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Eigenschaften von performanten Datensystemen (Skalierbarkeit, Wartbarkeit, Reliabilität)
- Etablierte Konzepte der Datenspeicherung (Relationales Modell)
- Historische Konzepte der Datenspeicherung (Hierarchisches Modell, Netzwerkmodell)
- Moderne Konzepte der Datenspeicherung (Wide-column Modell, Graphen Modell, Key-Value Modell, Document Modell, Column-oriented Modell)
- Datenbanksysteme, passend zu den behandelten Modellen
- Skalierung von Datensystemen (Replication und Partitionierung)
- Schreiben und Lesen in Datensystemen (Indexstrukturen, Schreibstrategien)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Konzeption und Implementierung von problemzentrierten NoSQL Datenbanken (z.B. Key-Value-Stores, Document Stores, Column-Oriented Data Stores, usw.)
- Konzeption und Implementierung von Speicherlösungen für große Datenmengen (Big Data)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Der Prozess des Software-Engineerings und des Projektmanagements für datenintensive Anwendungen
- Programmierparadigmen für den Einsatz im Bereich Data Science
- Effektive und effiziente Datenstrukturen für datenintensive Anwendungen
- Werkzeuge und Softwareökosysteme für die Entwicklung und den Test datenintensiver Softwaresysteme

Im Lab werden die Inhalte der ILV "Softwareentwicklung 1" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Statistische Maßzahlen (Punkt- und Intervallschätzer)
- Statistische Testverfahren
- Gruppierungsalgorithmen (Classification Trees, Agglomerativ Hierarchisches Clustering usw.)
- Regressionsalgorithmen (Regression Trees, Random Forests, usw.)
- Assoziative Algorithmen
- Verfahren zur Vorverarbeitung von Daten (z.B. Principal Component Analysis)

Im Lab werden die Inhalte der ILV "Statistisches Lernen 1" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Architekturmodelle für datengetriebene Softwareentwicklung und -systeme.
- Integrationsmodelle und -paradigmen für die Umsetzung komplexer, prozessorientierter Softwareökosysteme für analytische und datengetriebene Systeme
- Anwendung von bewährten Entwurfsmustern (Design Patterns) für datengetriebene Anwendungen
- Konzeption und Umsetzung effizienter und skalierbarer Softwaresysteme für datengetriebene Anwendungen
- Testen von Softwareapplikationen (z.B. Unit Tests, Integration Tests usw.)

Im Lab werden die Inhalte der ILV "Softwareentwicklung 2" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- weiterführende Modellierungsverfahren
- Ensemble Methoden
- Optimierung von Modellen

Im Lab werden die Inhalte der ILV "Statistisches Lernen 2" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

- Aktuelle Entwicklungen im Gebiet der betrieblichen Anwendungssystemen mit speziellem Bezug zu ERP-Systemen und Geschäftsprozessmanagement
- Modelle, Beispiele, Best-Practice Cases

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Aktuelle Best-Practice Ansätze und Konzepte in Anwendungsgebieten (z.B. Smart Home, Smart City, Smart Production, Connected Vehicles etc.)
- Aktuelle Best-Practice Ansätze hinsichtlich der Entwicklungsprozesse und - tools
- Aktuelle Forschungs- und Entwicklungsaktivitäten bzw. Forschungs- und Entwicklungsergebnisse

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich der Web-Architekturen
- Trends im Bereich der Programmiersprachen im Web
- Neue Designkonzepte im Bereich von Web-Applikationen
- Neue Fragestellungen im Bereich der Forschung im Bereich Web-Technologien und Anwendungen
- Neue Fragestellungen im Bereich der Web-Entwicklungspraxis

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich Big Data Processing
- Trends im Bereich der Programmiersprachen in der Datenanalyse
- Neue Verarbeitungskonzepte von Daten (z.B. Data Lake)
- Neue Fragestellungen im Bereich der Data Science Forschung
- Neue Fragestellungen im Bereich der Data Science Praxis

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Interkulturelle Kompetenz
- Diskussion mit VertreterInnen aus der Praxis

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Projektmanagementtechniken (z.B. SCRUM)
- Projektmanagementwerkzeuge im Bereich Data Science (z.B. GitLab)
- Techniken zur Dokumentation von Anforderungen (z.B. Sophist)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Erarbeitung eines ganzheitlichen Verständnisses der Themenfelder (Systemisches Management)
- Methoden zur Generierung innovativer Ideen (z. B. Systematic Inventive Thinking, Design Thinking)
- Projektstrukturen und Managementmethoden zur praktischen Umsetzung von Innovationen (z. B. Change Management, Konfliktmanagement)
- IT-gestützte Projektdokumentation

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Datenschutz (z.B. DSGVO)
- Privacy (e-Privacy Verordnung)
- Umgang mit Daten aus ethischer/moralischer Sicht
- Compliance

Die Studierenden bearbeiten in dieser LV ein reales, datenzentriertes Projekt entlang der gesamten Datenwertschöpfungskette (von der Erhebung der Daten über deren Integration und Speicherung bis zur Analyse und Nutzbarmachung der Daten. Dadurch können sie die Fähigkeiten, die in den ersten beiden Semestern aufgebaut wurden in einem realen Setting ausprobieren und heute Erkenntnisse gewinnen.

Die Studierenden werden an die Bereich Wissenschaftstheorie und wissenschaftliches Arbeiten herangeführt. Dabei werden die Ziele wissenschaftlichen Arbeitens besprochen und auf eigene Problemstellungen übertragen. Im Rahmen der Lehrveranstaltung erarbeiten die Studierenden so einen ersten Exposé-Entwurf für eine Masterarbeit.

Die Studierenden entwerfen selbstständig eine Projektidee für die eigene Masterarbeit, beschreiben diese in Form eines Exposés und reichen dieses bei der Studiengangsleitung zur Genehmigung ein. Anschließend bearbeiten die Studierenden das Thema und verfassen eine Masterarbeit, die zur Begutachtung abgegeben wird.

Die Lehrveranstaltung begleitet die Studierenden bei der Konzeption und Erstellung ihrer Masterarbeit. Im Kolloquium werden deshalb Fragestellung/Hypothese und Gliederung der Masterarbeit vorgestellt und diskutiert. Zudem wird die wissenschaftliche Methodik der Masterarbeit erörtert und hinterfragt sowie Hinweise zur formalen Gestaltung der Masterarbeit gegeben.