Universität Wien

040077 KU Advanced Business Analytics (MA) (2023S)

6.00 ECTS (3.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung

The course language is English.

Only students who signed up for the class in univis/u:space are allowed to take the class (that means, that you have to at least be on the waiting list if you want to take this class). No exceptions possible.
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die erste Einheit wird stattfinden am Dienstag, dem 7. März.

  • Dienstag 07.03. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 08.03. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 14.03. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 15.03. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 21.03. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 22.03. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 28.03. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 29.03. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 18.04. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 19.04. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 25.04. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 26.04. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 02.05. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 03.05. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 09.05. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 10.05. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 16.05. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 17.05. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 23.05. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 24.05. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 31.05. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 06.06. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 07.06. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 13.06. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 14.06. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 20.06. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 21.06. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 27.06. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 28.06. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

In diesem Kurs werden die Grundlagen von Business Analytics behandelt. Die Studierenden sind in der Lage, mit Methoden von Advanced Business Analytics aus großen, komplexen Datenbanken relevantes Geschäftswissen abzuleiten.
Sie sind in der Lage, die zugrundeliegenden Analyseaufgaben eines Problems zu identifizieren, geeignete Data-Mining-Algorithmen auszuwählen und anzuwenden und aus deren Ergebnissen Handlungspläne zur Lösung der Geschäftsprobleme abzuleiten. Die Studierenden haben einen Überblick über relevante Analysemethoden, einschließlich einer Auswahl spezieller Methoden wie explorative Datenanalyse, deskriptive und prädiktive Modellierung (z. B. Clusteranalyse, Assoziationsanalyse, Klassifikation).

Art der Leistungskontrolle und erlaubte Hilfsmittel

Zwischenprüfung (35%): Di, 05. Mai, 11:30
Abschlusstest (35%): Mi, 28. Juni, 09:45
Hausaufgaben (30%):
-- Abgabe 1: Mi, 26. Apr
-- Abgabe 2: Mi, 31. Mai

Mindestanforderungen und Beurteilungsmaßstab

Insgesamt können 100 Punkte erreicht werden. Die Noten werden wie folgt vergeben:
[88,100]: 1
[76,88[ : 2
[63,76[ : 3
[50,63[ : 4
< 50 : 5

Prüfungsstoff

Zwischentest/Abschlusstest: Folien und Themen, die in den Vorlesungen und Übungen behandelt wurden.
Hausaufgaben: Themen, die in den Übungen behandelt wurden.

Literatur

Provost, Foster; Fawcett, Tom (2013): Data Science for Business. What you need to know about data mining and data-analytic thinking. Köln: O`Reilly.
Berthold, Michael R.; Borgelt, Christian; Höppner, Frank; Klawonn, Frank; Silipo, Rosaria (2020): Guide to Intelligent Data Science. Cham: Springer International Publishing.
Sutton, Richard S.; Barto, Andrew G. (2018): Reinforcement learning. An introduction / Richard S. Sutton and Andrew G. Barto. Second edition. Cambridge, Massachusetts: The MIT Press (Adaptive computation and machine learning).
Witten, I. H. (2017): Data mining. Practical machine learning tools and techniques. Fourth edition. Amsterdam: Elsevier.
Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin; Karpatne, Anuj (2019): Introduction to Data Mining, Global Edition. 2nd ed. Harlow, United Kingdom: Pearson Education Limited.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Di 14.03.2023 11:28