• Prof. Dr. Harald Ritz

• Steffen Kandler
• Timo Krauskopf
• Prof. Dr. Harald Ritz

Keine

Im Bereich Social Media entsteht eine Vielfalt an großen und heterogenen Datenmengen, die teilweise in Echtzeit Erkenntnisse zur Entscheidungsfindung liefern. Daher sind fortgeschrittene Methoden der Datenhaltung, skalierbare Rechenleistungen und die erweiterten Fähigkeiten der Analytik vonnöten, um diesen Big-Data-Herausforderungen zu genügen.

• Big Data: Grundlagen u. Begriffe
• Big-Data-Anwendungsszenarien
• Integrierte Anwendungslandschaft mit Big-Data- Lösungen
• Big-Data-Technologien:
• Speicherlösungen: u.a. Apache Hadoop-Ökosystem
• Verteilte nicht-relationale Datenbanksysteme ("NoSQL"-Datenbanksysteme)
• Spaltenorientierte Datenbanken
• Dokumentenorientierte Datenbanken
• Schlüssel-Werte-Datenbanken
• Graphdatenbanken
• In-Memory-Datenbanken
• Datenbank- u. Programmiersprachen (inkl. MapeReduce-Programmiermodell)
• Datenintegrationswerkzeuge
• Darstellungswerkzeuge zur Visualisierung
• Big-Data-Analyseverfahren:
• Data-Mining-Verfahren
• Advanced Analytics
• (Predictive und Prescriptive Analytics)
• Text und Web Mining (u.a. Sentimentanalyse)
• Big-Data-Strategieentwicklung
• Machbarkeitsstudie, Vorgehensmodelle zur Einführung, Wirtschaftlichkeitsbetrachtungen, Reifegradmodelle
• Big-Data-Projektfallstudien mit diversen Software- Werkzeugen

Fachkompetenzen

• Die Studierenden können den Grundgedanken und den Nutzen von Big-Data-Technologien und -Analysemethoden erläutern und in die Prozesse eines Unternehmens einordnen.
• Sie können die Gemeinsamkeiten und Unterschiede zwischen Business Intelligence und Big Data erklären.
• Sie können die Konzepte der Datenvisualisierung und Architekturkonzepte für Big Data beschreiben.

Methodenkompetenzen (fachlich & überfachlich)

• Sie können die grundlegenden Herausforderungen wiedergeben und sind befähigt Datenmodelle für den Aufbau eines Big Data Warehouses zu konzipieren und zu implementieren.
• Die Studierenden sind in der Lage, die Einsatzmöglichkeiten von Big-Data-Technologien für verschiedene betriebliche Einsatzszenarien im Bereich Social Media realistisch zu bewerten, ein Einführungskonzept zu erstellen und mit eigenen Experimenten zu evaluieren.

Sozialkompetenzen

• Sie können in Gruppen kooperativ und effektiv Lösungen für Problemstellungen entwickeln.

Selbstkompetenzen

• Sie können Lösungen konzentriert, genau und zielgerichtet erarbeiten.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminar 2 SWS
• Praktikum 2SWS

• Social Media Systems (B.Sc. 2016)

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Regelmäßige Teilnahme (mindestens 80% der Zeit)

Prüfungsleistung: Klausur, Projekt oder eine Kombination von beiden. Es wird eine Gesamtnote vergeben. (Art des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Edlich, S.; Friedland, A.; Hampe, J.; Brauer, B.; Brückner, M.: NoSQL-Einstieg in die Welt der nichtrelationalen Web 2.0 Datenbanken. Hanser.
• Redmond, E.; Wilson, J. R.: Sieben Wochen, sieben Datenbanken : moderne Datenbanken und die NoSQL- Bewegung. The Pragmatic Programmers.
• Hurwitz, J.: Big Data for dummies. For Dummies.
• DeRoos, D.: Hadoop for dummies. For Dummies.
• Bari, A.; Chaouchi, M.; Jung, T.: Predictive Analytics for dummies. Wiley-VCH.
• Cleve, J.; Lämmel, U.: Data Mining. de Gruyter Oldenbourg.
• Kohlhammer; Proff, D. U.; Wiener, A.: Visual Business Analytics. dpunkt.verlag.
• BI-Spektrum: Fachzeitschrift für Business Intelligence und Data Warehousing / eine Publikation des TDWI Germany e.V. - Präsenzexemplar im Lesesaal der THM- Bibliothek
• Dorschel, J.: Praxishandbuch Big Data - Wirtschaft-Recht-Technik. Springer Gabler.

Eine große Auswahl von weiteren Fachbüchern zu Big Data, Hadoop / MapReduce, NoSQL (HBase, MongoDB, CouchDB, Cassandra u.a.), Daten-Visualisierung, Data Mining, Text Mining, Predictive Analytics und Business Intelligence sowie Data Warehousing werden projektspezifisch empfohlen und sind in der THM-Bibliothek verfügbar.