88-852 Projekt Wirtschaftsinformatik: Data Science für Web-Applikationen

Lehrende: Dr. Kai Brüssau; Dr. Robert Stahlbock

Veranstaltungsart: Projekt

Anzeige im Stundenplan: WiInf-BAProjekt

Semesterwochenstunden: 6

Unterrichtssprache: Deutsch

Min. | Max. Teilnehmerzahl: - | 30

Anmeldegruppe: Anmeldegruppe Projekte

Kommentare/ Inhalte:
In dem Projekt geht es darum, dass sich die Studierenden in Gruppen von ca. 3 - 4 Personen mit einer Problemstellung aus dem Gebiet Data Science praxisorientiert beschäftigen. Darüber wird eine schriftliche Ausarbeitung („Projektbericht“) angefertigt, in der die gewählte Problemstellung beschrieben und der beschrittene Lösungsweg aufgezeigt wird. Dabei sollen sowohl theoretische als auch praxisorientierte Sichtweisen enthalten sein.

Zu Beginn des Projekts arbeiten sich die Studierenden gemeinsam in das Themengebiet Data Science, insbesondere in Data Mining-Methoden ein und machen sich mit Programmiersprachen, wie z.B. R oder Python vertraut. Anschließend werden einzelne Gruppen gebildet, die jeweils eine Problemstellung wählen und diese im weiteren Verlauf bearbeiten. Dabei werden dann nach dem KDD-Prozess (Knowledge Discovery in Databases) verschiedene Untersuchungen durchgeführt, die schließlich zu einem Lösungsmodell führen.

Das Projekt zeichnet sich dadurch aus, dass konkrete praxisnahe Aufgaben bearbeitet werden.
Die Daten stammen aus verschiedenen Quellen im Internet oder direkt aus der Zusammenarbeit mit Unternehmen, die sich zurzeit mit derartigen Problemen befassen

Mögliche Problemstellungen sind zum Beispiel:

• Klassifikation von Kunden zur Bildung von Kundenprofilen und Prognose ihres Verhaltens
  
• Recommender-Systeme für die Empfehlung von Musik, Filmen oder anderen Produkten (wie z.B. bei Spotify, Netflix oder Amazon)
  
• Text-Mining im Dokumentenmanagement zur Identifikation von bestimmten Inhalten (z.B. Adressen, Kundennummern, Rechnungsdaten etc.)
  
• Natural Language Processing (NLP) zur automatisierten Analyse von Texten, wie z.B. Tweets, Kundenrezensionen o.ä. (Sentiment Mining)
  
• Topic Modeling zum Clustern von Texten, z.B. Tweets
  
• Auswertung von Bild-/Video-/Sprach-Daten
  
• Betrugserkennung (z.B. bei Transaktionen, Anträgen, Selbstbedienungskassen u.ä.)
  
• Einschätzung von Immobilienpreisen oder auch Leasing-Rückkaufswerten
  
• Zeitreihenanalyse/-prognose, z.B. für Finanz-/Absatz-Zeitreihen
  
• Prognose von Werbekampagnenerfolg
  
• Weitere Beispiele: siehe kaggle.com oder kdnuggets.com
  

• Künstliche Neuronale Netze und andere Regressionsverfahren
  
• Decision Trees/Random Forests und logistische Regression
  
• Support Vector Machines
  
• Boosting-Verfahren
  
• Verfahren zum Topic Modeling (LDA oder BERT)
  

• besonders geringes oder großes Datenvolumen (Attribute und/oder Samples)
  
• Datenvorverarbeitung: fehlende Werte, widersprüchliche Werte…
  
• Zielfunktion, insb. asymmetrische Bewertung verschiedener Ergebnisse
  
• asymmetrische Verteilungen in den Daten