Inhaltspezifische Aktionen

Lehre

Der Schwerpunkt in der akademischen Lehre liegt auf Veranstaltungen an der Schnittstelle zwischen Wirtschaftswissenschaften und Informatik. Vorlesungen und Übungen sind darauf ausgelegt, Studierenden quantitative Fähigkeiten zu vermitteln, die die Basis für ein tiefgreifendes Verständnis von Data Science Methoden und datengestützter Entscheidungsfindung bilden. Bachelor- und Masterthesen sind typischerweise in den Kontext unserer eigenen Forschung eingebettet und ebnen den Weg für eigene Forschungsbestrebungen der Studierenden. Die praxisorientierte Betreuung ermöglicht es den Studierenden, Begeisterung für die Wissenschaft zu entwickeln und relevante Skills für den Arbeitsmarkt zu erlangen.

Overview of courses

Übersicht der Lehrveranstaltungen


  SS 2023 WS 23/24 SS 2024
Bachelor
Data Science for Management  
Proseminar     
Bachelorarbeiten
Master
Text Mining    
Seminar  
Masterarbeiten

 

Course: Data Science for Management

Vorlesung: Data Science for Management (B. Sc.)


Vor Beginn des Informationszeitalters waren Unternehmen in der Regel gezwungen, Daten von nicht automatisierten Quellen manuell zu erfassen. Infolgedessen beruhten Unternehmensentscheidungen häufig auf Bauchgefühl und Intuition. Durch das Aufkommen allgegenwärtiger Datenverarbeitungstechnologien stützen sich Unternehmensentscheidungen heutzutage stark auf Data Science Methoden und Machine Learning.

Der Kurs "Data Science for Management" bietet Managementstudierenden einen Überblick über das multidisziplinäre Feld von Data Science. Zu den Themen gehören unter anderem die Datensammlung, -integration, -modellierung, -analyse, -visualisierung, und -vorhersage, das Datenmanagement, und die datengetriebene Entscheidungsfindung. Der Kurs umfasst praktische Einheiten, die sich auf die Datenanalyse und Programmierung in R konzentrieren.


Die Hauptziele dieses Kurses sind:

  1. Grundlegenden Konzepte und die wirtschaftliche Relevanz von Data Science und datengetriebenen Entscheidungsfindungen zu verstehen
  2. Einen Überblick über verschiedene Methoden, Algorithmen und Software-Tools für Data Science Anwendungen zu erlangen
  3. Fallstricke und Mythen im Bereich Data Science zu verstehen

Organisation:

  • Modulcodes: 02-Meth:BSc-B11-Extra1 & 02-Meth:BSc-Extra6CP
  • Dozent: Prof. Dr. Nicolas Pröllochs (BWL XI)
  • Kursformat: Vorlesung (6 CP)
  • Semester: Sommersemester 2024
  • Sprache: German
  • Benotung: Abschlussklausur
  • Zeitplan: Siehe Kurs-Flyer

Kursevaluation durch Studierende (Durchschnitt 2019 – 2021): 1.8

Course: Text Mining

Vorlesung: Text Mining (M. Sc.)


Das digitale Zeitalter hat einen sprunghaften Anstieg der Menge der verfügbaren Textinformationen ausgelöst. Text Mining bietet computergestützte Techniken, um aus solchen unstrukturierten Datenquellen handlungsrelevante (Management-) Erkenntnisse abzuleiten. Der Kurs "Text Mining" vermittelt den Studierenden einen Überblick über eine breite Palette von Text-Mining-Methoden: von Regular Expressions über lexikonbasierte Sentimentanalysen bis hin zu komplexeren Machine Learning Ansätzen und supervised Text Classification. Am Ende des Kurses sind die Teilnehmer mit den wichtigsten Konzepten, Prinzipien und Algorithmen des Text Mining vertraut. Der Kurs umfasst praktische Programmiereinheiten mit einem Schwerpunkt auf der Umsetzung von Text Mining in R. Grundkenntnisse in R-Programmierung sind wünschenswert, aber nicht zwingend erforderlich.


Die Hauptziele dieses Kurses sind:

  1. Grundlegenden Konzepte von Text Mining und seine Bedeutung für wirtschaftliche Anwendungen zu verstehen
  2. Einen Überblick über verschiedene Methoden, Algorithmen und Software-Tools zur Extraktion von Information & Wissen aus unstrukturierten Textdaten zu erlangen
  3. Die Fähigkeit zur Implementierung von Text-Mining-Anwendungen in R zu erlernen

 

Organisation:

  • Modulcodes: 02-BWL/VWL:MSc-B11-1
  • Dozent: Prof. Dr. Nicolas Pröllochs (BWL XI)
  • Kursformat: Vorlesung (6 CP)
  • Semester: Wintersemester 23 / 24
  • Sprache: Englisch
  • Benotung: Präsentation & Hausarbeit
  • Zeitplan: Siehe Kurs-Flyer

Kursevaluation durch Studierende (Durchschnitt 2019 – 2022): 1.4


Die Teilnehmerzahl in diesem Kurs ist begrenzt. Die Deadline für Bewerbungen ist der 2. Oktober 2023. Details zum Bewerbungsprozess finden sich im Kurs-Flyer.

Proseminar (B. Sc.) and Seminar (M. Sc.) in Data Science

Proseminar (B. Sc.) und Seminar (M. Sc.) in Data Science


Data Science ist ein multidisziplinäres Gebiet, das Domänenexpertise, Programmierfähigkeiten und Werkzeuge aus der Mathematik und Statistik kombiniert, um aus Daten aussagekräftige Erkenntnisse zu gewinnen. In diesem Seminar werden wir uns auf die Methoden und Werkzeuge im Bereich Data Science konzentrieren. Beispiele sind Modelle des maschinellen Lernens, Datenvisualisierung, Modellauswahl, Clustering und Prognosen. Wir werden auch auf wichtige Prinzipien des wissenschaftlichen Arbeitens/Schreibens eingehen. Die Seminarthemen werden aus einem spezifischen Problem im Bereich Data Science bestehen. Studierende sind herzlich eingeladen, eigene Seminarthemen vorzuschlagen, die ihren persönlichen Interessen entsprechen. Grundkenntnisse in der R-Programmierung sind wünschenswert, aber nicht zwingend erforderlich. Die Benotung erfolgt auf der Grundlage einer Seminararbeit und eines mündlichen Vortrags.



Beispiele für Seminarthemen (andere Themen möglich):

  • Anwendung einer Data Science Methode auf einen Datensatz (z.B. Vorhersage von Filmbewertungen auf der Grundlage von Filmkritiken)
  • Präsentation eines R-Package
  • Präsentation einer Data Science / Machine Learning Methode 

Organisation:

  • Dozent: Prof. Dr. Nicolas Pröllochs (BWL XI)
  • Kursformat: Seminar / Proseminar
  • Semester: Wintersemester 23 / 24 (Proseminar) / Sommersemester 24 (Seminar)
  • Sprache: Deutsch
  • Benotung: Seminararbeit & Präsentation
Bachelor's and Master's Theses

Bachelor- und Masterthesen


Sollten Sie daran interessiert sein, Ihre Thesis im Bereich Data Science zu schreiben, bewerben Sie sich bitte gemäß der Anleitungen auf der Website des Prüfungsamts. Wenn ihr Thesisantrag genehmigt wurde, wenden Sie sich bitte per E-Mail an Prof. Dr. Nicolas Pröllochs. Bitte fügen Sie (1) einen Leistungsnachweis (FlexNow-Ausdruck) als Anlage bei, (2) ob Sie Ihre Thesis auf Deutsch oder Englisch schreiben möchten, (3) ob Sie an einem bestimmten Thema interessiert sind (z.B. Machine Learning, Text Mining, Finanzmärkte usw.), und (4) ob Sie im Rahmen Ihrer Thesis eine empirische Arbeit oder eine Literaturarbeit verfassen möchten. Bei einer empirischen Arbeit sind Vorkenntnisse in der R-Programmierung sind wünschenswert, aber nicht zwingend erforderlich.



Beispiele für mögliche Themengebiete (andere Themen möglich):

  • Social Media Analysis (z.B. Twitter)
  • Financial Data Science
  • Data Science in E-Commerce
  • Data Science in Marketing
  • Text Mining & Natural Language Processing
  • Machine Learning & AI
  • Visual Analytics und Computer Vision
  • ...

In allen Bereichen sind sowohl empirische / methodische Arbeiten als auch Literaturarbeiten möglich. Eigene Themenvorschläge sind willkommen, sollten aber in den Bereich Data Science passen.


Weitere Informationen: Siehe Flyer