Zur Hauptnavigation

Kontakt

Professional School of Business & Technology | Hochschule Kempten
Gebäude A - Denkfabrik
Bahnhofstraße 61
D - 87435 Kempten

Anprechpartnerin:
Anette Ohrtmann-Oerthel

Tel.: +49 (0) 831 2523-9582
Fax: +49 (0) 831 2523-337

E-Mail:

anette.ohrtmann-oerthel_at_start(at)atendhs-kemptendotstart._dot_endde

Termine 2018/2019

Info-Termine 2018
17.10.2018, 18:30 Uhr
05.12.2018, 18:30 Uhr
Ort: Professional School 

Bewerbungsfrist SoSe 2019
31.01.2019

Infomaterial

Bestellbutton Infomaterial

EFMD-Mitgliedschaft

Die Professional School ist Mitglied der EFMD (European Foundation for Management Development). Die EFMD hat sich als Ziel gesetzt hat, die Management-Ausbildung an europäischen Business Schools zu verbessern.

 
     

    SEMINARE

    Modulübersicht

     

    ModuleLELVA
    1Business Intelligence und Analytics25Seminar, Laborübung
    2Big Data und Datenbanken25Seminar, Laborübung
    3Business Intelligence Workshop12,5Seminar, Laborübung
    4Datamining zur Entscheidungsunterstützung25Seminar, Laborübung
    5R als Werkzeug für Data Science25Seminar, Laborübung
    6Maschinelles Lernen mit Python25Seminar, Laborübung
    7Deep Learning mittels Python25Seminar, Laborübung
    8Projekt Data Science und Business Analytics12,5Seminar, Workshop

    Moduldetails

    Business Intelligence und Data Science

    Allgemeine Angaben
    Lehrender Prof. Dr. rer. pol. Stefan Wind
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine Beschreibung Das 21. Jahrhundert zeichnet sich durch die Verfügbarkeit von riesigen Datenmengen aus. Die Menge der strukturierten und unstrukturierten Daten, die Unternehmen heutzutage zur Verfügung stehen, wächst rasant. Dies wird unter den Begriff Big Data subsumiert. Ein in diesem Zusammenhang häufig genutztes Zitat bringt die aktuelle Herausforderung auf den Punkt: "Wir ertrinken in einem Meer von Daten, aber wir hungern nach Wissen." Manuelle Analysen sind kaum mehr durchführbar.
    Eine adäquate Lösung für die Herausforderung stellt der Ansatz Business Intelligence und Data Science dar. Das Modul stellt den unternehmerischen Wert von Daten in den Fokus und stellt eine Einführung in Business Intelligence und Data Science dar.
    Ziel der Lehrveranstaltung Die Teilnehmer beherrschen die grundlegenden Begriffe, Methoden und Konzepte des ganzheitlichen Business Intelligence und können die Relevanz für die Unternehmenspraxis einschätzen. Dafür kennen Sie das Potenzial von aktuellen Business Intelligence und Data Science Anwendungen und ausgewählte Anwendungsszenarien.
    Die Teilnehmer können Informationsanforderungen von Unternehmen erfassen, unter wirtschaftlichen Aspekten beurteilen und eine dazu passende Business Intelligence-Informationsstruktur mittels geeigneter Planungsmethoden entwerfen.
    Sie sind in der Lage, die Methoden des Reportings zu beherrschen um zielgerichtet aus Daten unternehmerische Entscheidungen ableiten zu können.
    Darüber hinaus kennen die Teilnehmer erfolgskritische Faktoren von Business Intelligence Implementierungsprojekten und können Maßnahmen zu ihrer Sicherung bzw. Verbesserung ergreifen
    Lehrinhalte» Methodische und technische Ansätze von Business Intelligence
    » Strategische und organisatorische Aspekte z.B. Self Service BI
    » Extraktion, Integration und Analyse von verteilten Daten
    » Fallstudie zu Business Intelligence und Analytics
    Verknüpfung
    anderer Methoden
    Business Intelligence Praktikum von Prof. Dr. Michael Lenke
    Literaturempfehlung  Müller, R. M.; Lenz, H.-J. (2013). Business Intelligence. Springer Vieweg, Berlin Heidelberg
    Kemper, H.-G.; Baars, H.; Mehanna, W. (2010). Business Intelligence – Grundlagen  und praktische Anwendungen. Springer Vieweg, Berlin Heidelberg.
    Bauer, A.; Günzel, H. (2013). Data Warehouse Systeme – Architektur, Entwicklung, Anwendung. dpunkt.verlag, Berlin Heidelberg
    Provost, Fawcett: Data Science for Business, O'Reilly 2013

    Big Data und Datenbanken

    Allgemeine Angaben
    Lehrender Prof. Dr. rer. pol. Stefan Wind
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine Beschreibung In der heutigen Kommunikations- und Wissensgesellschaft wachsen unaufhörlich die Datenmengen und die Datenvielfalt nimmt zu. Big Data Spezialisten unterscheiden hierbei neben strukturierten Daten die semistrukturierten oder unstrukturierten Daten. In Big Data Systemen werden die Daten verteilt, auf viele Knoten gespeichert und verarbeitet. Dabei kommen Datenbanksystemen in der Praxis eine große Bedeutung zu Teil. Dabei gewinnen in der unternehmerischen Praxis Big Data und Datenbanken (SQL- und NoSQL basierte Techniken) immer mehr an Bedeutung. Diese großen Datenmengen müssen jedoch zunächst einmal gespeichert, verarbeitet und ausgewertet werden. Daraus können Erkenntnisse und Empfehlungen für verschiedenste unternehmerische Fragestellungen abgeleitet werden.
    Ziel der LehrveranstaltungDie Teilnehmenden beherrschen die grundlegenden Begriffe, Architekturen (z.B. Hadoop) und Konzepte von Big Data und Datenbanken. Nach erfolgreichem Abschluss dieses Moduls sollen die Teilnehmenden in der Lage sein zu beurteilen, welche Rolle Datenbanksysteme in datenintensiven Anwendungen einnehmen und welchen (signifikanten) Mehrwert diese Systeme bieten können. Sie sollen Ausschnitte der realen Welt in SQL- und NoSQL-Datenbanken darstellen und die Qualität der entstandenen Modelle einschätzen können.
    Die Teilnehmenden kennen konkrete Komponenten für Big Data Systeme und können sie in der Praxis einsetzen. Ein Schwerpunkt ist dabei der Erwerb umfassender Fertigkeiten im Umgang mit der Datenbanksprache SQL. Die Teilnehmenden lernen Werkzeuge im Bereich der sogenannten NoSQL-Datenbanken, wie MongoDB und im Bereich hauptspeicherbasierter Datenbanken (z.B. SAP HANA) kennen.
    Lehrinhalte» Grundlagen von Big Data und Datenbanken
    » Datenmodellierung und Datenbankabfrage SQL
    » Einführung in NoSQL-Datenbanken wie MongoDB
    » Big-Data-Anwendungen und -Szenarien
    Verknüpfung
    anderer Methoden
    Literaturempfehlung  Agneeswaran: Big Data Analytics beyond Hadoop, Pearson 2014
    Provost, Fawcett: Data Science for Business, O'Reilly 2013
    Marz, Nathan, and James Warren. Big Data: Principles and best practices of scalable realtime data systems. Manning Publications Co., 2015
    Freiknecht, J. "Big Data in der Praxis–Lösungen mit Hadoop, HBase und Hive–Daten speichern, aufbereiten, visualisieren.", 2014

    Business Intelligence Workshop

    Allgemeine Angaben
    LehrenderProf. Dr. Michael Lenke
    Zeitlicher Umfang12,5 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine BeschreibungTheorie trifft auf Praxis.
    Sollen Daten aus diversen Quellen einer bestimmten Data Science Anwendung (Reporting, Cockpit, Data Mining etc.) zugeführt werden, so sind diese zunächst zu beschaffen, aufzubereiten, zu verdichten. Dies erfolgt oft über einen sog. BI-Stack (Business Intelligence Stack). Bei dessen Konzeption und Umsetzung gilt es einiges zu beachten wie: Miteinbeziehung heterogene Datenquellen, Datenintegrationsansätze sowie Analyse- und Visualisierungsverfahren.
    Ziel der LehrveranstaltungIn diesem Praktikum ist schrittweise ein BI-Stack aufzubauen. Daten sind zunächst aus heterogenen Datenquellen zu importieren. In einem zweiten Schritt gilt es die Datenqualität und Integrität zu erhöhen, bevor diese - ausgerichtet für den eigentlichen Zweck - aufbereitet, weiterverarbeitet, verdichtet und in ein neues Datenmodell (Mega Data Mart oder Data Warehouse) zu überführen sind. In einem letzten Schritt werden die so organisierten Daten einer Analyse und deren Visualisierung zugeführt.
    LehrinhalteKerntechnologien zum Aufbau des BI-Stacks stellt die Open Source Plattform Pentaho (von Hitachi Vantara) bereit. Es werden Werkzeuge zur Datenintegration und Weiterverarbeitung sowie Werkzeuge zur Datenanalyse und Visualisierung eingesetzt. Verwendung finden SQL- und NoSQL-Datenbanken. Die fiktiven Fallbeispiele entstammen typischen Anwendungsfällen des Big Data, Social Media und IoT (Internet of Things).
    Der Teilnehmer bearbeitet in Etappen selbstständig die gestellten Aufgaben für den Aufbaus eines BI-Stack. Im Anschluss wird die Musterlösung schrittweise präsentiert und diskutiert.
    Verknüpfung
    anderer Methoden
    "Business und Data Intelligence" von Prof. Dr. Stefan Wind
    Literaturempfehlung  http://www.pentaho.com/de/produkte/pentaho-8-0

    Datamining zur Entscheidungsunterstützung

    Allgemeine Angaben
    Lehrender Prof. Dr. Wolfgang Hauke
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine Beschreibung Data Mining umfasst den Prozess der Gewinnung neuer, valider und handlungsrelevanter Informationen aus großen Datenbanken und die Nutzung dieser Informationen für betriebswirtschaftliche Entscheidungen. Damit ist Data Mining keine rein technisch zu verstehende Verfahrensweise, sondern es soll für betriebswirtschaftliche Entscheidungen genutzt werden. Daraus ergibt sich, dass „Data Miner“ ihre Arbeit nicht allein im IT-Umfeld oder in der Statistik-Abteilung verrichten dürfen wenn sie dem Unternehmen nutzen sollen, sondern sich mit den Entscheidern im Unternehmen abstimmen müssen.
    Ziel der Lehrveranstaltung Die Studierenden erhalten einen Einblick in für die betriebliche Praxis relevante Teilgebiete des Datenmining und werden dadurch in die Lage versetzt, die unterschiedlichen Ansätze inhaltlich gegeneinander abzugrenzen und geeignete Methoden auf praktische Problemstellungen anzuwenden. Sie können die Ergebnisse derartiger Analysen interpretieren und kritisch hinterfragen. Die Kenntnis einer Vielzahl beispielhafter Anwendungsfälle ermöglicht es den Studierenden, komplexe Datamining-Probleme gegenüber einfachen rein deskriptiven Analysen abzugrenzen und adäquate DV-gestützte Analysewerkzeuge auszuwählen.
    Lehrinhalte» Definition, Aufgaben und Methoden des Datamining
    » Grundlagen einer professionellen Datamining-Software
    » Undirected Datamining: Clusteranalyse, Faktorenanalyse, mehrdimensionale Skalierung, Fallstudien aus verschiedenen Anwendungsbereichen
    » Directed Datamining:Regressionsanalyse, Varianzanalyse, Diskriminanzanalyse, Fallstudien aus verschiedenen Anwendungsbereichen
    Verknüpfung
    anderer Methoden
    Big Data und Datenbanken; R als Werkzeug für Data Science
    Literaturempfehlung  Nisbet, R.; Elder, J.; Miner, G. (2009); Handbook of Statistiscal Analysis & Data Mining Applications.
    Eckstein, P. (2017); Datenanalyse mit SPSS – Realdatenbasierte Übungs- und Klausuraufgaben mit vollständigen Lösungen.

    R als Werkzeug für Data Science

    Allgemeine Angaben
    LehrenderProf. Dr. J. Staudacher
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine BeschreibungR ist eine freie Programmiersprache für statistische Analysen. Nicht zuletzt aufgrund seiner sehr guten graphischen Fähigkeiten gewann R in den vergangenen Jahren enorm an Beliebtheit und eignet sich hervorragend zur Visualisierung von Daten. Die Verfügbarkeit einer Vielzahl von R-Paketen via CRAN -- dem „Comprehensive R Archive Network“, quasi ein kostenloser AppStore für R -- macht R zur bevorzugten Sprache von Data Scientists.
    In diesem Modul soll ein tieferes Verständnis für den Einsatz von R in der Praxis eines Data Scientists geschaffen werden; ein besonderes Augenmerk soll dabei auf Regressionsanalysen sowie auf Techniken des statistischen Lernens liegen.
    Ziel der LehrveranstaltungDie Teilnehmer kennen die verschiedenen Datenstrukturen in R und können R zum Import, Export und zur Verarbeitung von Daten einsetzen, insbesondere im Rahmen des Data Preprocessing.
    Sie können einfache Programme in R schreiben und beherrschen Techniken der Datenvisualiserung mittels R (und ggf. der Bibliotheken ggplot2 und rgl).
    Die Teilnehmer können R als Werkzeug für Regressionsanalysen einsetzen.
    Lehrinhalte» Einführung
    - Erfolgsstory R
    - Data Preprocessing
    - Regressionsanalysen
    » R Kompaktkurs: Datenstrukturen in R, Import und Export von Daten, Kontrollstrukturen,…
    » R für Data Preprocessing (incl. Fallstudie)
    » Visualisierung von Daten mit R und ggplot2
    » Regressionanalysen mit R
    - Statistische Grundlagen
    - Anwendungsbeispiel 1
    - Anwendungsbeispiel 2
    Verknüpfung
    anderer Methoden
    „Datamining zur Entscheidungsunterstützung“ von Prof. Dr. Hauke
    Literaturempfehlung  W.N. Venables, D.M. Smith and the R Core Team: An Introduction to R, online verfügbar unter http://cran.r-project.org/doc/manuals/R-intro.pdf
    The R Core Team: Writing R Extensions, online verfügbar unter http://cran.r-project.org/doc/manuals/R-exts.pdf
    Daniel Wollschläger: R kompakt, Springer, 2013.
    Rainer Alexandrowicz: R in 10 Schritten, utb verlag, 2013.
    P. Lafaye de Micheaux, R. Drouilhet, B. Liquet: The R Software, Springer, 2014.
    G. James, D. Witten, T. Hastie, R. Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer, 2015. [7] Daniel T. Larose, Chantal D. Larose: Data Mining and Predictive Analytics, 2nd Edition, Wiley, 2015.

    Maschinelles Lernen mit Python

    Allgemeine Angaben
    Lehrender Prof. Dr. Stefan Rieck
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine BeschreibungDie Massenproduktion von Daten führt zu immer größeren Datenbergen, die sich nur noch mit automatischer Verarbeitung auswerten lassen. Interessant sind hierbei die Zusammenhänge, die in den Daten verborgen liegen. Maschinen sollen in der Lage sein, diese Zusammenhänge eigenständig zu lernen.
    Der Fokus dieses Moduls liegt auf den klassischen selbstlernenden Verfahren.
    Ziel der Lehrveranstaltung Die Teilnehmer beherrschen die grundlegenden Begriffe des Maschinellen Lernens (ML). Sie kennen die Grundlagen der Script-Sprache Python und können sie zur Lösung von ML-Problemen einsetzen Die Teilnehmer können für einen gegebenen Datensatz ein adäquates ML-Verfahren und dazu passende Datenvorverarbeitung auswählen. Sie können lernfähige Algorithmen unter Verwendung von ML-Algorithmenbibliotheken entwerfen.
    Lehrinhalte» Einführung in Python
    » Grundlagen und Einsatz von Machine Learning
    » Datenvorverarbeitung
    » Ausgewählte Machine-Learning Algorithmen (Classification, Clustering, Anomalie-Erkennung, Ensemble-Lernen) mit scikit-learn
    Verknüpfung
    anderer Methoden
    „Deep-Learning mittels Python“ von Prof. Dr. Jürgen Brauer
    Literaturempfehlung  Anselm Lingnau: Programmieren in Python: Eine praktische Einführung, online: https://www.tuxcademy.org/download/de/pyth/pyth-de-manual.pdf
    Pedregosa et al.: Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830, 2011.
    Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. O’ Reilly. 2017, ISBN: 1491962291
    Sebastian Raschka: Machine Learning mit Python: Das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning, mitp 2016, ISBN: 3958454224

    Deep Learning mittels Python

    Allgemeine Angaben
    LehrenderProf. Dr.-Ing. Jürgen Brauer
    Zeitlicher Umfang25 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine Beschreibung Seit 2012 hat der „Deep Learning Tsunami“ viele Bereiche der Mustererkennung, insbesondere die Bildverarbeitung und die Spracherkennung, revolutioniert. Die stark verbesserte Spracherkennungsleistung von Google Now, Apple Siri oder Microsoft Cortana ist auf diese neuen DL Methoden zurückzuführen. Auch erfolgreiche Sprachübersetzungsanwendungen wie Skype Translator oder Google Translate stützen sich heute auf DL Ansätze. Bildverarbeitungsaufgaben wie zum Beispiel die Klassifikation von Bildern oder das Erkennen von Gesichtern werden heute von Firmen wie Google und Facebook mittels DL Algorithmen erfolgreich gelöst. Amazon verwendet eine eigene DL Bibliothek, um Produktempfehlungen zu generieren.
    In diesem Modul soll ein tiefes Verständnis für die Funktionsweise der wichtigsten DL Methoden geschaffen werden, aber auch gezeigt werden, wie man schnell mittels Hilfe mächtiger Python DL Bibliotheken wie Keras bzw. TensorFlow diese Modelle für eigene Anwendungsprobleme einsetzen kann.
    Ziel der Lehrveranstaltung Die Teilnehmer beherrschen die Grundlagen der Neuronalen Netze und haben ein Verständnis dafür wie Neuronale Netze trainiert und angewendet werden können. Sie kennen darüber hinaus den Aufbau und die Funktionsweise der wichtigsten DL Modelle. Sie sind in der Lage, eigene DL Modelle mittels Keras und TensorFlow in Pyhon auf zu bauen, zu trainieren und für neue Mustererkennungs-, Regressions- oder Prädiktionsprobleme anzuwenden.
    Lehrinhalte» Überblick zu Deep Learning, Gründe für den Boom
    » Technische Neuronale Netze, Lernalgorithmen
    » Convolutional Neural Networks (CNN), LSTM Modelle
    » Realisierung der Modelle mittels TensorFlow und Keras
    Verknüpfung
    anderer Methoden
    „Maschinelles Lernen“ von Prof. Dr. Stefan Rieck
    Literaturempfehlung  Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. O’ Reilly. 2017.
    Yann LeCun, Yoshua Bengio, Geoffrey Hinton. Deep Learning. Nature, 2015.
    Jürgen Schmidhuber. Deep Learning in Neural Networks: An Overview. Neural Networks Journal 61 (2015): 85-117
    Softwarebibliothek TensorFlow: https://www.tensorflow.org

    Projekt Data Science

    Allgemeine Angaben
    LehrenderProf. Dr. Michael Lenke
    Zeitlicher Umfang12,5 Stunden
    Beschreibung der Lehrveranstaltung
    Allgemeine BeschreibungAufgabe eines Data Scientist ist es unter anderem, Problemstellungen seines Geschäftsumfelds zu analysieren, aufzubereiten und zu kommunizieren sowie darauf aufbauend eine Lösungsarchitektur zu erarbeiten und deren Umsetzung zu begleiten.
    In Vorbereitung darauf geschäftsrelevante Erkenntnisse aus einem Datenmaterial zu gewinnen, gilt es passende Daten aus entsprechenden Quellen zu beziehen, diese zu einer geeigneten Datenbasis zu transformieren, sowie die richtigen Analyse- und Visualisierungsverfahren einzusetzen. Dabei bestimmt der konkrete Geschäftsanwendungsfall die zu treffenden Entscheidungen.
    Ziel der LehrveranstaltungIn diesem Seminar gilt es, das in allen Modulen Erlernte selektiv anzuwenden und das Verständnis darüber zu vertiefen.
    Ausgehend von seinem selbst gewählten Fallbeispiel klärt der Teilnehmende die Ausgangssituation. Die dahinterliegenden geschäftsrelevanten Fragestellungen werden herausgearbeitet. Der Lösungsansatz wird entworfen, Technologieentscheidungen werden getroffen, die einzusetzenden Werkzeuge bestimmt.
    LehrinhalteMit Hilfe einfacher Präsentationstechniken erstellt der Teilnehmer eine Entscheidungsvorlage für das Management. Das gewählte Fallbeispiel wird erläutert, das Data-Science-Lösungskonzept vorgestellt und in der anschließenden Diskussion verteidigt.
    Verknüpfung
    anderer Methoden
    Alle Module des Weiterbildungsangebots Data Science
    Literaturempfehlung  

    Schattenwurf