Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040101 KU Advanced Business Analytics (MA) (2024W)

6.00 ECTS (3.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
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.
Moodle
Di 08.10. 11:30-13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Für diese LV an-/abmelden

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Plätze der Lehrveranstaltung werden priorisiert an Erstsemester Business Analytics vergeben.
Die erste Veranstaltung ist am Dienstag, dem 08. Oktober.

  • Mittwoch 09.10. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 15.10. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 16.10. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 22.10. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 23.10. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 29.10. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 30.10. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 05.11. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 06.11. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 12.11. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 13.11. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 19.11. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 20.11. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 26.11. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 27.11. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 03.12. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 04.12. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 10.12. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 11.12. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 17.12. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 07.01. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 08.01. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 14.01. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 15.01. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 21.01. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 22.01. 09:45 - 11:15 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Dienstag 28.01. 11:30 - 13:00 PC-Seminarraum 1, Kolingasse 14-16, OG01
  • Mittwoch 29.01. 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. Business Analytics beinhaltet den wissenschaftlichen Prozess Daten in entscheidungsrelevante Business-Metriken zu verwandeln. 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).
Die Lehrveranstaltung besteht aus wöchentlichen Vorlesungen und 14-tägigen Übungen (siehe Moodle Terminplan).

Art der Leistungskontrolle und erlaubte Hilfsmittel

Zwischenprüfung (35%): 13.11.2024
Abschlusstest (35%): 22.01.2025
Hausaufgaben (30%):
-- Abgabe 1: 20.11.2024
-- Abgabe 2: 15.01.2025

1) Die Lehrveranstaltung ist bestanden, wenn mindestens 50% der Gesamtpunkte erreicht sind.

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.

Mindestanforderungen und Beurteilungsmaßstab

Insgesamt können 100 Punkte erreicht werden (für prozentuale Anteile siehe oben). Die Noten werden wie folgt vergeben:
[88,100]: 1
[76,88[ : 2
[63,76[ : 3
[50,63[ : 4
< 50 : 5

Die Anwesenheit ist erforderlich zum ersten Termin und zu den Prüfungsterminen.

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: Mi 04.09.2024 09:05