• Einführung: Big (Social) Data Analytics als hoch relevantes Thema
• Methoden und Anwendungen der Big Data Analytics am Beispiel Social Media Analytics
• Social Media Analytics - Methoden und Anwendungen:
  • Soziale Netzwerkanalyse (z. B. Identifizierung einflussreicher Nutzer mithilfe von Vernetzungsmaßen, Community Detection)
  • Text Mining (z.B. Klassifikation von Texten mit Machine Learning Methoden, Sentimentanalyse)
• Zusammenfassung und kritische Würdigung
   

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z.B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z.B. Data-Warehouse, Kundendatenbanken) – enorme Datenmengen in strukturierter (bspw. Beziehungen zwischen Netzwerkakteuren) oder unstrukturierter Form (bspw. Textinhalt von Tweets) zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten mittels automatisierter Verfahren aus den Bereichen Social Network Analysis und Big Data Analytics (z.B. Text Mining) ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial, bspw. in den Bereichen Produktentwicklung, Marketing und Customer Relationship Management. Im Modul „Big (Social) Data Analytics – Methoden und Anwendungen“ werden hierfür zentrale Methoden und Techniken wie z.B. Community Detection in sozialen Netzwerken, Sentimentanalyse von Kundenstimmen und Klassifikation von Tweets mittels neuronaler Netze vermittelt und fallstudienbasiert mit realen Daten und Cases mit der Programmiersprache Python illustriert.

Das Online-Studium findet im Selbststudium statt. Für das Selbststudium stehen zum einen Video-Vorlesungen bereit, die Ihnen die Modulinhalte anschaulich darlegen. Als schriftliches Material empfehlen wir das Grundlagenbuch von Kemper und Eickler mit dem Titel Datenbanksysteme, eine Einführung. In den Videos und in Begleitung durch ein E-Learning-System werden die Studierenden auf entsprechende Abschnitte des Buchs verwiesen. Der Stoff wurde in Lernabschnitte unterteilt, die durch Multiple- und Single-Choice-Fragen, Quizzes und Übungsaufgaben begleitet werden. An den Präsenzterminen werden Übungsaufgaben teilweise auch in Gruppenarbeit gelöst.

Ihr Mentor wird Ihnen in regelmäßigen Abständen Online-Sprechstunden in Form von Seminaren anbieten, die Sie bei der Bearbeitung des Lernstoffs unterstützen. Außerdem steht ein Forum für den Austausch der Studierenden untereinander bereit.

Voraussetzung ist ein erster Hochschulabschluss.

Inhaltlich: Grundlagen in Stochastik und angewandter Statistik

Für die Zulassung zur Modulprüfung (Klausur/mündl. Prüfung) sind folgende Voraussetzungen zu erfüllen:

• Teilnahme an mindestens 3 Präsenzübungen
• Bearbeitung und Abgabe von als verpflichtend angegebenen Übungsaufgaben

In Härtefällen kann ein formloser Antrag auf Zulassung zur Prüfung beim Modulverantwortlichen gestellt werden.

Bei Krankheit ist dem Modulverantwortlichen ein ärztliches Attest vorzulegen.

Die regelmäßige Teilnahme an Online-Foren unterstützt Sie bei der Erarbeitung des Lernstoffs. Detaillierte Informationen entnehmen Sie bitte der Modulbeschreibung im Modulhandbuch.

Bei erfolgreichem Abschluss des Moduls erhalten Sie ein Zertifikat sowie ein Supplement, das die Inhalte des Moduls als Übersicht auflistet. Im Supplement bestätigt Ihnen der Modulverantwortliche das Äquivalent von 6 Leistungspunkten nach ECTS.