Seminar Business Analytics
Typ und Verwendbarkeit
BWL-MSc: Wahlpflichtmodul im Schwerpunkt Business Analytics
Voraussetzungen
Voraussetzungen gibt es keine. Die Teilnehmerzahl ist auf 20+X beschränkt.
Umfang
2 SWS, 6 Leistungspunkte
Dozent
Terminübersicht WiSe 2024/25
- Anmeldephase (Anmeldung via STiNE): Mo., 03.06., 9:00 Uhr – Mi., 12.06., 13:00 Uhr
- Zuteilung von Restplätzen: Do., 27.06. – Fr., 28.06.
- Vorbesprechung und Themenwahl: Mo., 08.07., 13:00 – 14:00 Uhr, Raum 1004,
- Ende Rückmeldung der Themenwahl: Fr., 12.07, 13:00 Uhr an kai.bruessau"AT"uni-hamburg.de
- Gliederungsbesprechung: Nach Absprache
- Weitere Vorstellung des Arbeitsfortschrittes: Nach Absprache
- Ende Einreichung der Seminararbeit 1. Fassung: Mo., 25.11., 13:00 Uhr
- Begutachtungsphase/Einreichung Gutachten: Di., 26.11. – Fr., 29.11., 13:00 Uhr
- Ende Einreichung finale Seminararbeit (überarbeitete Fassung) inkl. Entgegnung auf Gutachten: Mo., 9.12., 13:00 Uhr
- Präsentationen (möglicherweise werden nicht alle Termine genutzt, jedoch sollten zunächst alle Termine geblockt werden):
- Fr., 13.12., 16:00 – 20:00 Uhr /
- Sa., 14.12., 9:00 – 18:00 Uhr /
- So., 15.12., 9:00 – 16:00 Uhr, Raum WiWi 2054/55
Bitte klicken Sie rechts unter Downloads und Infos auf die Themenliste, um detaillierte Infos zum Inhalt der Veranstaltung zu erhalten.
Im Seminar Business Analytics werden Themen aus den Bereichen Business Analytics und Data Mining bearbeitet.
In Absprache mit dem Betreuer kann der Schwerpunkt der Seminararbeit auf theoretisch wissenschaftlichen Erkenntnissen aus der Literatur liegen. Es kann aber auch eine praktische Umsetzung eines Data Mining-Problems erfolgen. In diesem Fall ist der theoretisch-wissenschaftliche Anteil geringer und die Ergebnisauswertung und der daraus resultierende Erkenntnisgewinn haben eine höhere Bedeutung.
Die Seminararbeit kann in Deutsch oder in Englisch geschrieben werden.
Folgende Themen werden angeboten:
- Data-Mining in der Logistik
- Data-Mining im E-Commerce
- Web Scraping und Natural Language Processing
- Anwendungen von Large Language Models
- Recommender-Systeme
- Kategorisierung von Produkten, Lieferanten oder anderen Entitäten
- Topic Modeling
- Weitere Anwendungen
- Prognoseverfahren des Machine Learning und Anwendung auf ein selbst gewähltes Beispiel (z.B. von kaggle.com)
- Klassifikation mit Hilfe von Decision Trees, Random Forest und Boosting und Anwendung auf ein selbst gewähltes Beispiel (z.B. von kaggle.com)
- Klassifikation mit Hilfe von Logistic Regression und Support Vector Machines und Anwendung auf ein selbst gewähltes Beispiel (z.B. von kaggle.com)
- Convolutional Neural Networks zur Bilderkennung und deren Anwendungen
- Reinforcement Learning und deren Anwendungen
- Selbst gewählte Aufgabenstellung in Absprache mit dem Betreuer
Amaratunga, T.: Understanding Large Language Models, Apress Berkeley, CA, 2023, https://doi.org/10.1007/979-8-8688-0017-7
Charu C. Aggarwal: Data Mining - The Textbook, Springer, 2015, DOI: 10.1007/978-3-319-14142-8.
Gorunescu, F.: Data Mining - Concepts, Models and Techniques, Springer, 2011, DOI: 10.1007/978-3-642-19721-5.
Hastie, T.; Tibshirani, R.; Friedman, J. (2009): The Elements of Statistical Learning, Springer Science+Business Media. (Aktuellste und korrigierte Version von 2017.
Kordon, A. K.: Applying Data Science. How to Create Value with Artificial Intelligence, Springer Nature Switzerland, 2020.
McTear, M.; Ashurkina M.: Transforming Conversational AI, Apress Berkeley, CA, 2024, https://doi.org/10.1007/979-8-8688-0110-5
Qamar, U. , Raza, M.S. : Data Science Concepts and Techniques with Applications, Springer, 2023.
Rebala, G.; Ravi, A.; Churiwala, S. : An Introduction to Machine Learning, Springer Nature Switzerland, 2019.
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: Attention Is All You Need, 2017, https://arxiv.org/abs/1706.03762.
Webseiten wie „Towards Data Science“ oder „Medium“sind zur Einarbeitung geeignet, aber nicht unbedingt zitierfähig.