Benutzerspezifische Werkzeuge

Information zum Seitenaufbau und Sprungmarken fuer Screenreader-Benutzer: Ganz oben links auf jeder Seite befindet sich das Logo der JLU, verlinkt mit der Startseite. Neben dem Logo kann sich rechts daneben das Bannerbild anschließen. Rechts daneben kann sich ein weiteres Bild/Schriftzug befinden. Es folgt die Suche. Unterhalb dieser oberen Leiste schliesst sich die Hauptnavigation an. Unterhalb der Hauptnavigation befindet sich der Inhaltsbereich. Die Feinnavigation findet sich - sofern vorhanden - in der linken Spalte. In der rechten Spalte finden Sie ueblicherweise Kontaktdaten. Als Abschluss der Seite findet sich die Brotkrumennavigation und im Fussbereich Links zu Barrierefreiheit, Impressum, Hilfe und das Login fuer Redakteure. Barrierefreiheit JLU - Logo, Link zur Startseite der JLU-Gießen Direkt zur Navigation vertikale linke Navigationsleiste vor Sie sind hier Direkt zum Inhalt vor rechter Kolumne mit zusaetzlichen Informationen vor Suche vor Fußbereich mit Impressum

Artikelaktionen

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 2020WS 20/21SS 2021
Bachelor
Data Science for Management haken_gruen.gif haken_gruen.gif
Proseminar  haken_gruen.gif
Bachelorthesen haken_gruen.gif haken_gruen.gif haken_gruen.gif
Master

Text Mining

haken_gruen.gif

Seminar

haken_gruen.gif haken_gruen.gif

Masterthesen

haken_gruen.gif haken_gruen.gif haken_gruen.gif

 

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 2020
  • Sprache: German
  • Benotung: Abschlussklausur
  • Zeitplan: Siehe Kurs-Flyer Bitte beachten Sie auch die Informationen über das Coronavirus auf der Website des Fachbereichs.
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 20 / 21
  • Sprache: Englisch
  • Benotung: Präsentation & Hausarbeit
  • Zeitplan: Siehe Kurs-Flyer

 

Kursevaluation durch Studierende (2019): 1.3

 

Die Teilnehmerzahl ist auf maximal 24 Studierende begrenzt. Bitte melden Sie sich für den Kurs an, indem Sie eine E-Mail an Prof. Dr. Nicolas Pröllochs (nicolas.proellochs@wi.jlug.de) senden. Bitte fügen Sie einen aktuellen Leistungsnachweis (FlexNow-Ausdruck) bei. Wenn sich mehr als 24 Studierende anmelden, werden die Teilnehmerinnen und Teilnehmer anhand ihrer Note im Kurs "Data Science for Management" und/oder ihres aktuellen Notendurchschnitts ausgewählt. Die Bewerbungsfrist endet am 15. Oktober 2020 (frühzeitige Bewerbungen sind erwünscht). Der Kurs steht auch interessierten Bachelor-Studierenden offen, die gegenwärtig in den 210- und 240-CP-Programmen eingeschrieben sind.


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

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



img_presentation.png

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 20 / 21 (Proseminar) / Sommersemester 21 (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) geben Sie Ihre Programmierkenntnisse an (soweit vorhanden), (3) ob Sie Ihre Thesis auf Deutsch oder Englisch schreiben möchten, und (4) ob Sie an einem bestimmten Thema interessiert sind (z.B. Machine Learning, Text Mining, Finanzmärkte usw.). Grundkenntnisse in der Programmierung sind wünschenswert, aber nicht zwingend erforderlich. Eigene Themenvorschläge sind willkommen, sollten aber zu den Forschungsschwerpunkten der Professur passen.


Guidelines: Siehe "How to Write a Thesis"