MLU
WIW.07600.01 - Data Science I (Vollständige Modulbeschreibung)
Originalfassung Englisch
WIW.07600.01 5 CP
Modulbezeichnung Data Science I
Modulcode WIW.07600.01
Semester der erstmaligen Durchführung
Fachbereich/Institut Wirtschaftswissenschaftlicher Bereich - School of Economics and Business
Verwendet in Studiengängen / Semestern
  • Betriebswirtschaftslehre (Business Studies) (180 LP) (Bachelor) > Betriebswirtschaftslehre BWL (Business Studies)180, Akkreditierungsfassung gültig ab WS 2020/21 > Wahlpflichtbereich
  • Business Economics (180 LP) (Bachelor) > Betriebswirtschaftslehre BusinessEconomics180, Akkreditierungsfassung gültig ab WS 2020/21 > Wahlpflichtbereich
  • Grundlagen Wirtschaftswissenschaften (Fundamental Economics and Management) (60 LP) (Bachelor) > Wirtschaftswissenschaften Wirtschaftswiss60, Akkreditierungsfassung gültig ab WS 2020/21 > 2. Erweiterungen
  • Volkswirtschaftslehre (Economics) (180 LP) (Bachelor) > Volkswirtschaftslehre VWL (Economics)180, Akkreditierungsfassung gültig ab WS 2020/21 > Wahlpflichtbereich
  • Wirtschaftsinformatik (Business Information Systems) (180 LP) (Bachelor) > Wirtschaftsinformatik Wirtschaftsinformatik180, Akkreditierungsfassung gültig ab WS 2020/21 > 2.1 Wirtschaftsinformatik
  • Wirtschaftswissenschaften (Economics and Management) (120 LP) (Bachelor) > Wirtschaftswissenschaften Wirtschaftswiss120, Akkreditierungsfassung gültig ab WS 2020/21 > 2. Erweiterungen
Modulverantwortliche/r
Weitere verantwortliche Personen
Dr. Klaus Schmerler
Teilnahmevoraussetzungen
Kompetenzziele
  • Studierende können die Bedeutung von Daten für das wissenschaftliche Arbeiten erläutern und erklären, wie andere Module ihres Studiengangs mit der Verarbeitung von Daten zusammenhängen.
  • Studierende können Datentypen unterscheiden, Unvollkommenheiten von Datensätzen identifizieren und Modellierungsansätze ableiten.
  • Studierende können Daten aus verschiedenen Quellen sammeln, umwandeln und bereinigen.
  • Studierende können können Grundprinzipien der Datenvisualisierung erklären und
verschiedene Datentypen visualisieren.
  • Studierende können die Mathematik und die Intuition grundlegender Modellierungstechniken erklären und diese auf reale Datensätze anwenden.
  • Studierende können fachkundig Daten mit R (oder Python) verarbeiten.
Modulinhalte
  • Bedeutung von Daten im wissenschaftlichen Arbeiten
  • Datentypen und - Datenunvollkommenheiten
  • Sammlung von Daten aus verschiedenen Quellen
  • Datenbearbeitung und -bereinigung
  • Prinzipien und Techniken der Visualisierung
  • Grundlegende Modellierungstechniken
  • Nutzung von R (oder Python)
Lehrveranstaltungsformen Vorlesung (2 SWS)
Übung (2 SWS)
Kursus
Kursus
Kursus
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester Semester
Angebotsrhythmus Modul jedes Wintersemester
Aufnahmekapazität Modul unbegrenzt
Prüfungsebene
Credit-Points 5 CP
Modulabschlussnote LV 1: %; LV 2: %; LV 3: %; LV 4: %; LV 5: %.
Faktor der Modulnote für die Endnote des Studiengangs 1
Modulveran­staltung Lehrveranstaltungs­form Veranstaltungs­titel SWS Workload Präsenz Workload Vor- / Nach­bereitung Workload selbstge­staltete Arbeit Workload Prüfung incl. Vorbereitung Workload Summe
LV 1 Vorlesung Vorlesung 2 0
LV 2 Übung Übung 2 0
LV 3 Kursus Selbststudium 0
LV 4 Kursus Projektarbeit 0
LV 5 Kursus Prüfungsvorbereitung 0
Workload modulbezogen 150 150
Workload Modul insgesamt 150
Prüfung Prüfungsvorleistung Prüfungsform
LV 1
LV 2
LV 3
LV 4
LV 5
Gesamtmodul
Projektleistung, mündliche Prüfung
Wiederholungsprüfung
Regularien Teilnahme­voraussetzungen Angebots­rhythmus Anwesenheits­pflicht Gewicht an Modulnote in %
LV 1 Wintersemester Nein %
LV 2 Wintersemester Nein %
LV 3 Wintersemester Nein %
LV 4 Wintersemester Nein %
LV 5 Wintersemester Nein %