Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
  1. SoSe 2024
    2. LSF Online-Hilfe
  2. Sitemap
Switch to english language
Startseite    Anmelden     
Logout in [min] [minutetext]
Studis Helpdesk      Veranstaltungen      Einrichtungen      Räume und Gebäude      Personen     
Sie sind hier: Zur Startseite springen

Suchen nach Veranstaltungen - Detailansicht

  
Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SS 2020 , Aktuelles Semester: SoSe 2024
  • Funktionen:
    • Zur Zeit kein Belegungszeitraum aktiv.
Business Intelligence    Sprache: Deutsch    Belegpflicht
Nr.:  4758     Vorlesung/Übung     SS 2020     4 SWS     Jedes Semester    
   Master-Studiengang: Masterstudiengang Wirtschaftsinformatik    
 
   Studiengang   Wirtschaftsinformatik, Abschluss 90,   ( 1. - 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Pflichtfach    
   Zugeordnete Lehrperson:   Höpken verantwortlich
 
 
Zur Zeit kein Belegungszeitraum aktiv.
   Termin: Mittwoch   08:00  -  11:15    wöchentl       Raum :   V 208   Gebäude V/Laz1  
 
 
   Inhalt: Die Vorlesung behandelt fortgeschrittene Konzepte aus dem Bereich Business Intelligence und Data Mining:
1. Introduction and Organisation
2. Business Intelligence, Data Mining and RapidMiner
3. Advanced Data Mining Techniques
3.1 Regression Analysis
3.2 Decision Trees & Rule Induction
3.3 Naive Bayesian Classification
3.4 Support Vector Machines
3.5 Neural Networks
3.6 Series Analysis
3.7 Association Rules and Sequential Patterns
3.8 Clustering
3.9 Meta Learning & Optimization
4. Web Data Mining
4.1 Introduction to Web Data Mining
4.2 Information Retrieval and Web Search
4.3 Link Analysis
4.4 Web Crawling
4.5 Information Extraction
4.6 Sentiment Analysis
4.7 Web Usage Mining
 
   Literatur: Brazdil, P., Giraud-Carrier, Ch., Soares, C., Vilalta, R. (2009): Metalearning – Applications to Data Mining. Springer-Verlag, Berlin-Heidelberg.

Chakrabarti, S. (2002): Mining the Web: Discovering Knowledge from Hypertext Data. Morgan-Kauffman.

Fuchs, M., Höpken, W. (2009): Data Mining im Tourismus – Theoretische Grundlagen und Anwendungen in der Praxis. Praxis der Wirtschaftsinformatik, 270 (12), pp. 73-81.

Fuchs, M., Höpken, W., Lexhagen, M. (2014): Big Data Analytics for Knowledge Generation in Tourism Destinations – A Case from Sweden. Journal of Destination Management & Marketing, 3 (4), pp. 198-209.

Höpken, W., Keil, D., Fuchs, M., Lexhagen, M. (2015): Business intelligence for cross-process knowledge extraction at tourism destinations. Information Technology & Tourism, 15(2), pp. 101-130.

Höpken, W., Ernesti, D., Fuchs, M., Kronenberg, K., Lexhagen, M. (2017): Big data as input for predicting tourist arrivals. In: Schegg, R., Stangl, B. (eds.) Information and Communication Technologies in Tourism, Springer, Cham, pp. 187-199.

Höpken, W., Fuchs, M., Menner, Th., Lexhagen, M. (2017): Sensing the Online Social Sphere - the Sentiment Analytical Approach. In: Xiang, Z., Fesenmaier, D. R. (eds.) Analytics in Smart Tourism Design, Springer, pp. 129-146.

Höpken, W., Eberle, T., Fuchs, M., Lexhagen, M. (2018): Search engine traffic as input for predicting tourist arrivals. In: Stangl, B., Pesonen, J. (eds.) Information and Communication Technologies in Tourism, Springer, Cham, pp. 381-393.

Höpken, W., Fuchs, M., & Lexhagen, M. (2018): Big Data Analytics for Tourism Destinations. In: Khosrow-Pour, D.B.A., M. (eds.) Encyclopedia of Information Science and Technology, Fourth Edition, IGI Global, Hershey, PA, pp. 349-363.

Höpken, W., Eberle, T., Fuchs, M., Lexhagen, M. (2019): Google Trends data for analysing tourists’ online search behaviour and improving demand forecasting: the case of Åre, Sweden. Information Technology & Tourism, 21(1), pp. 45-62.

Keil, D., Höpken, W., Fuchs, M., Lexhagen, M. (2017): Optimizing User Interface Design and Interaction Paths for a Destination Management Information System. In: Marcus, A., Wang, W. (eds.) DUXU 2017, Part III, LNCS 10290, Springer, pp. 473-487.


Larose, D. T. (2004): Discovering Knowledge in Data: An Introduction to Data Mining. Wiley.

Liu, B. (2008): Web Data Mining – Exploring Hyperlinks, Contents, and Usage Data. Springer-Verlag, Berlin.

Mariani, M., Baggio, R., Fuchs, M., Höpken, W. (2018): Business intelligence and big data in hospitality and tourism: a systematic literature review. International Journal of Contemporary Hospitality Management, 30 (12), pp. 3514-3554, https://doi.org/10.1108/IJCHM-07-2017-0461.

Menner, Th., Höpken, W., Fuchs, M., Lexhagen, M. (2016): Topic Detection - Identifying relevant topics in tourism reviews. In: Inversini, A., Schegg, R. (eds.) Information and Communication Technologies in Tourism, Springer, Heidelberg, pp. 411-423.

Schmunk, S., Höpken, W., Fuchs, M., Lexhagen, M. (2014): Sentiment analysis – extracting decision-relevant knowledge from UGC. In: Xiang, Z., Tussyadiah, I. (eds.). Information and Communication Technologies in Tourism, Springer, Heidelberg, pp. 253-265.

RapidMiner: www.rapidminer.com
 
   Lernziele: Business Intelligence, d.h. die systematische Sammlung und Auswertung relevanter Unternehmens- bzw. Marktdaten in elektronischer Form, stellt ein Kerngebiet der Wirtschaftsinformatik dar. Mit dem rapiden Wachstum des World Wide Web sind auch die verfügbaren Informationen über relevante Märkte, Konkurrenzunternehmen und insb. Kunden und deren Verhalten in enormem Ausmaß gestiegen. Dennoch bleiben diese Daten bis heute weitgehend ungenutzt. Weder im online noch im offline Bereich werden die Möglichkeiten moderner Informationstechnologien zur Entscheidungsunterstützung ausreichend genutzt. Mittels Methoden aus dem Bereich des Data Mining und insb. des Web Data Mining (Web Structure Mining, Web Content Mining und Web Usage Mining) lassen sich bisher ungenutzte Wettbewerbspotentiale für Unternehmen erschließen.

Die Vorlesung gibt einen umfassenden Überblick über das Gebiet der Business Intelligence und vermittelt fortgeschrittene Techniken des Data Mining und Web Data Mining. Die Studierenden erlangen praktische Erfahrung in der Anwendung der behandelten Techniken mittels des Data Mining Werkzeugs RapidMiner. Zur Sicherstellung eines maximalen Praxisbezugs wird in der Vorlesung schließlich das erlangte Wissen auf umfangreiche Realdaten über das Nutzungsverhalten auf Onlineplattformen angewendet.
 
   Voraussetzungen: Die Vorlesung setzt Grundkenntnisse im Bereich Business Intelligence und Data Mining voraus. Sollte im Rahmen des Bachelorstudiums keine entsprechende Veranstaltung besucht worden sein, so wird der Besuch der Veranstaltung "Business Intelligence" aus dem Bachlor-Studiengang Wirtschaftsinformatik und E-Business angeraten.
 
   Leistungsnachweis: M benotet
siehe auch "Offizielle Aushänge"
 
   Module: WI1 (MW)
 
Impressum      Erklärung zur Barrierefreiheit      Druckversion der Seite     Druckversion