Big Data Analytics
- Fakult?t
Fakult?t Agrarwissenschaften und Landschaftsarchitektur (AuL)
- Version
Version 1 vom 16.07.2025.
- Modulkennung
44M0139
- Niveaustufe
Master
- Unterrichtssprache
Deutsch, Englisch
- ECTS-Leistungspunkte und Benotung
5.0
- H?ufigkeit des Angebots des Moduls
nur Sommersemester
- Dauer des Moduls
1 Semester
- Kurzbeschreibung
Das Modul ?Big Data Analytics“ erm?glicht Studierenden, fundierte Kenntnisse und praktische F?higkeiten im Umgang mit gro?en und komplexen Datens?tzen zu erwerben. Der Fokus liegt auf der Analyse unstrukturierter Daten, insbesondere Textdaten, aus verschiedenen Quellen wie Online-Medien, Social Media und Online-Handel. Die Studierenden lernen, mittels R und Python verschiedene Analysemethoden anzuwenden und Techniken der künstlichen Intelligenz zu nutzen, um aus Bildern, Videos und Tonaufnahmen Informationen zu extrahieren und diese weiter zu analysieren. Das Modul f?rdert die Entwicklung von F?higkeiten zur Datenaufbereitung, -analyse und -visualisierung sowie zur Interpretation der Ergebnisse im Kontext der jeweiligen Fragen. Damit erwerben die Studierenden nicht nur technische Kompetenzen, sondern auch die F?higkeit, datenbasierte Entscheidungen zu treffen. Die praxisorientierte Ausbildung bereitet die Studierenden auf die Herausforderungen der datengetriebenen Welt vor und st?rkt ihre Qualifikationen für den Arbeitsmarkt im Bereich der Datenanalyse und -wissenschaft.
- Lehr-Lerninhalte
Explorative Datenanalyse mit R und Python
Verfahren zur Analyse von Textdaten
Einsatz von Künstlicher Intelligenz in der Datenanalyse
- Gesamtarbeitsaufwand
Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").
- Lehr- und Lernformen
Dozentengebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 30 Seminar - Dozentenungebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 100 Arbeit in Kleingruppen - 20 Veranstaltungsvor- und -nachbereitung -
- Benotete Prüfungsleistung
- Fallstudie (schriftlich)
- Unbenotete Prüfungsleistung
- regelm??ige Teilnahme
- Bemerkung zur Prüfungsart
Standardprüfungsform: Fallstudie (schriftlich) (alternative Prüfungsleistungen werden ggf. von der prüfenden Person ausgew?hlt und zu Veranstaltungsbeginn bekannt gegeben)
Regelm??ige Teilnahme (RT) - unbenotet
- Prüfungsdauer und Prüfungsumfang
Der Bearbeitungszeitraum für die Fallstudie betr?gt zwischen 1 - 2 Wochen. Anschlie?end pr?sentieren die Studierenden die Ergebnisse im Rahmen von maximal 30 Minuten.
- Empfohlene Vorkenntnisse
Für die Teilnahme an diesem Seminar werden Grundkenntnisse in der explorativen Datenanalyse mit R und dem Tidyverse vorausgesetzt. Eine gute Vorbereitung bieten die Inhalte aus dem Modul ?Empirisches Arbeiten“. Weiterhin sind Kenntnisse in der Programmiersprache Python von Vorteil, aber nicht notwendig.
- Wissensverbreiterung
Die Studierenden k?nnen die Schritte der explorativen Datenanalyse beschreiben und die Notwendigkeit für jeden Schritt darlegen.
Die Studierenden kennen moderne Analysewerkzeuge für die explorative Datenanalyse sowie für die Verarbeitung von unstrukturierten Daten.
- Wissensvertiefung
Die Studierenden k?nnen zwischen strukturierten und unstrukturierten Daten unterscheiden und Merkmale benennen.
Die Studierenden kennen Methoden, um unstrukturierte Daten zu analysieren und aus ihnen strukturierte Metadaten abzuleiten. Sie k?nnen für unterschiedliche Daten wie Bilder, Video, Audio und Texte entsprechende Methoden identifizieren.
- Wissensverst?ndnis
Die Studierenden k?nnen geeignete Funktionen eines Analysewerkzeugs wie R oder Python für die einzelnen Schritte der explorativen Datenanalyse identifizieren und ihren Einsatz begründen.
- Nutzung und Transfer
Die Studierenden sind in der Lage, sich in neue und komplexe Datens?tze einzuarbeiten und geeignete Metainformationen zu extrahieren.
Die Studierenden erstellen L?sungen für explorative Datenanalysen mit den Programmiersprachen R oder Python.
Die Studierenden entwickeln Strategien für die Analyse komplexer Datens?tze unter Berücksichtigung der Forschungsfrage. Sie k?nnen notwendige Vorverarbeitungsschritte identifizieren und umsetzen.
- Wissenschaftliche Innovation
Die Studierenden entwickeln eigene Forschungsfragen im Hinblick auf einen oder mehrere vorliegende Datens?tze.
Die Studierenden k?nnen Hypothesen in Bezug auf einen unbekannten Datensatz aufstellen und mit geeigneten explorativen Analysemethoden überprüfen.
- Kommunikation und Kooperation
Die Studierenden erstellen geeignete Datenvisualisierungen, die den wissenschaftlichen Kriterien genügen und den Sachverhalt pr?zise darstellen.
Die Studierenden strukturieren die Ergebnisse ihrer Analysen und pr?sentieren sie in koh?renter Form.
- Wissenschaftliches Selbstverst?ndnis / Professionalit?t
Die Studierenden entwickeln sich zu datenkompetenten Mitgliedern der Gesellschaft, die kritisch auf externe Analysen und Visualisierungen blicken, den Analyseweg überpüfen und gleichzeitig eigene Analysen durchführen k?nnen.
- Literatur
Wickham, Hadley, et al. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. 2nd edition, O’Reilly Media, Inc, 2023.
Weitere Literaturempfehlungen werden zu Beginn der Veranstaltung bekannt gegeben.
- Zusammenhang mit anderen Modulen
Das Modul ist inhaltlich mit dem Modul ?Applications of Artificial Intelligence“ verwandt und stellt eine sinnvolle Erweiterung für alle Studierenden dar, die ihre digitalen Kompetenzen und speziell ihre Datenkompetenz (Data Literacy) st?rken m?chten.
- Verwendbarkeit nach Studieng?ngen
- Angewandte Nutztierwissenschaften
- Angewandte Nutztierwissenschaften M.Sc. (01.09.2025)
- Angewandte Pflanzenwissenschaften
- Angewandte Pflanzenwissenschaften M.Sc. (01.09.2025)
- Agrar- und Lebensmittelwirtschaft
- Agrar- und Lebensmittelwirtschaft M.Sc. (01.09.2025)
- Modulpromotor*in
- Meseth, Nicolas
- Lehrende
- Meseth, Nicolas