040077 KU Advanced Business Analytics (MA) (2024S)
Prüfungsimmanente Lehrveranstaltung
Labels
VOR-ORT
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.
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 12.02.2024 09:00 bis Mi 21.02.2024 12:00
- Anmeldung von Mo 26.02.2024 09:00 bis Di 27.02.2024 12:00
- Abmeldung bis Do 14.03.2024 23:59
Details
max. 50 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
The course language is English.
The first appointment will be on March 5th.
Dienstag
05.03.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
06.03.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
13.03.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
19.03.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
09.04.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
10.04.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
16.04.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
17.04.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
23.04.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
N
Dienstag
30.04.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Donnerstag
02.05.
15:00 - 16:30
Seminarraum 5, Kolingasse 14-16, EG00
Dienstag
07.05.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
08.05.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
14.05.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
15.05.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
21.05.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
22.05.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
28.05.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
29.05.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
04.06.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
05.06.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
11.06.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
12.06.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
18.06.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
19.06.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Dienstag
25.06.
11:30 - 13:00
PC-Seminarraum 1, Kolingasse 14-16, OG01
Mittwoch
26.06.
09:45 - 11:15
PC-Seminarraum 1, Kolingasse 14-16, OG01
Donnerstag
27.06.
15:00 - 16:30
Seminarraum 5, Kolingasse 14-16, EG00
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Zwischenprüfung (35%): Do, 02.05.24, 15:00-16:00 [geändert am 01.03.24]
Abschlusstest (35%): Do, 27.06.24, 15:00-16:00 [geändert am 01.03.24]
Hausaufgaben (30%):
-- Abgabe 1: Mi, 24.04.24
-- Abgabe 2: Mi, 19.06.241) Die Erbringung aller Teilleistungen ist Voraussetzung für eine positive Beurteilung, wenn nicht explizit etwas anderes vermerkt wurde.
2) Die Verwendung von KI-Tools (z.B. ChatGPT) für die Produktion von Texten ist nur dann erlaubt, wenn dies von der Lehrveranstaltungsleitung ausdrücklich gefordert wird (z. B. für einzelne Arbeitsaufgaben).
3) Zur Sicherung der guten wissenschaftlichen Praxis kann die Lehrveranstaltungsleitung ein "Notenrelevantes Gespräch" (Plausibilitätsprüfung) zur abgegebenen schriftlichen Arbeit vorsehen, das erfolgreich zu absolvieren ist.Für mehr Details, siehe hier: https://ufind.univie.ac.at/de/vvz_sub.html?from=1&to=2&path=S8504&semester=2024S
Abschlusstest (35%): Do, 27.06.24, 15:00-16:00 [geändert am 01.03.24]
Hausaufgaben (30%):
-- Abgabe 1: Mi, 24.04.24
-- Abgabe 2: Mi, 19.06.241) Die Erbringung aller Teilleistungen ist Voraussetzung für eine positive Beurteilung, wenn nicht explizit etwas anderes vermerkt wurde.
2) Die Verwendung von KI-Tools (z.B. ChatGPT) für die Produktion von Texten ist nur dann erlaubt, wenn dies von der Lehrveranstaltungsleitung ausdrücklich gefordert wird (z. B. für einzelne Arbeitsaufgaben).
3) Zur Sicherung der guten wissenschaftlichen Praxis kann die Lehrveranstaltungsleitung ein "Notenrelevantes Gespräch" (Plausibilitätsprüfung) zur abgegebenen schriftlichen Arbeit vorsehen, das erfolgreich zu absolvieren ist.Für mehr Details, siehe hier: https://ufind.univie.ac.at/de/vvz_sub.html?from=1&to=2&path=S8504&semester=2024S
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
[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.
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.
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: Do 11.04.2024 13:45
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).