grapevine | Modulbeschreibung

Data Science

Angaben gemäß SPO

Zugehörigkeit zu Curriculum

BWB | 6.1 | 5 Leistungspunkte

Modulverantwortung

Dr. Sandro Scheid

Prüfungsformen

schrP 50 % und ModA 50 %. oder

schrP 50 % und Präs 50 %. oder

schrP 50 % und mdlP 50 %. oder

ModA 50 % und Präs 50 %. oder

ModA 50 % und mdlP 50 %. oder

mdlP 50 % und Präs 50 %. oder

schrP 50 % und schrP 50 %. oder

ModA 50 % und ModA 50 %. oder

Präs 50 % und Präs 50 %. oder

mdlP 50 % und mdlP 50 %.

Lehr- und Lernformen

S | 4 SWS

Lehrangebote SoSe 2026

S | 4 SWS

Data Science (6.1.10) BWB:6 allgemein

Prüfungsangebote SoSe 2026

Status: vorläufig - kann sich jederzeit noch ändern

Erstprüfer:in

Dr. Sandro Scheid

Zweitprüfer:in

Prof. Dr. Julia Kopf

Prüfungsform

ModA 50 % und Präs 50 %.

Details zur Prüfung

ModA:

Bearbeitung eines Datensatzes mit Python. Abgabe spätestens 27.09.2026 23.59 Uhr

Präs.:

Kick Off: 06.05.2026 17.00 LO 301

Themenwahl bis spätestens 03.06.2026

Präsentation spätestens 25.09.2026

Hilfsmittel

Voraussetzungen und Verwendbarkeit

Voraussetzungen für die Teilnahme

Verwendbarkeit

Inhalte und Qualifikationsziele

Status: vorläufig - kann sich jederzeit noch ändern

Lernziele / Kompetenzen:

Nach dem Besuch dieses Moduls sind die Studierenden in der Lage, eine breite Palette statistischer Methoden und Modelle auf Probleme der betriebswirtschaftlichen Praxis anzuwenden. Die Studierenden analysieren in Kleingruppen komplexe betriebswirtschaftliche Datensätze. Hierbei wird ein modernes Softwaretool verwendet. Ergebnisse werden in Bezug auf betriebswirtschaftliche Aufgabenstellungen interpretiert und vorgestellt. Die Studierenden erkennen durch den Besuch des Moduls, wie sich vielfältige statistische Modelle in der Praxis anwenden lassen und daraus Kenntnisse für betriebswirtschaftliche Praxis gewonnen werden können.

Inhalte:

• Moderne Programmiersprache

• Explorative Datenanalyse

• Statistische Tests

• Statistische Methoden und Modelle

• Maschine Learning

Lehr-und Lernmethoden:

• Seminaristischer Unterricht

• Selbstgesteuertes Lernen

Literatur:

• Scheid, Vogl (2021), Data Science: Grundlagen, Methoden und Modelle der Statistik, Hanser-Verlag

• Galata, Wessler, Scheid, Augustin (2013), Empirische Wirtschaftsforschung: Grundlagen, Methoden, Beispiele, Hanser-Verlag

• Weitere werden in der Vorlesung bekannt gegeben

Learning Objectives / Competencies:

After attending this module, students will be able to apply a wide range of statistical methods and models to real-world business problems. Students will analyze complex business data sets in small groups. A modern software tool is used for this purpose. Results are interpreted and presented in relation to business requirements. By attending this module, students will learn how to apply various statistical models to real-life problems and how to derive insights for business administration.

Contents:

• Modern programming language

• Exploratory data analysis

• Statistical tests

• Statistical methods and models

• Machine Learning

Teaching and learning methods:

• Seminar-based teaching

• Self-directed learning

Literature:

• Scheid, Vogl (2021), Data Science: Grundlagen, Methoden und Modelle der Statistik, Hanser-Verlag

• Galata, Wessler, Scheid, Augustin (2013), Empirische Wirtschaftsforschung: Grundlagen, Methoden, Beispiele, Hanser-Verlag

• More will be announced in the lecture

Data Science

Data Science

Angaben gemäß SPO

Lehrangebote SoSe 2026

Prüfungsangebote SoSe 2026

Status: vorläufig - kann sich jederzeit noch ändern

Voraussetzungen und Verwendbarkeit

Inhalte und Qualifikationsziele

Status: vorläufig - kann sich jederzeit noch ändern

HMster Grapevine