145044a Packaging Topics 2
| Zuletzt geändert: | 27.10.2021 / Häberle |
| EDV-Nr: | 145044a |
| Studiengänge: |
Packaging Development Management (Master) , Prüfungsleistung im Modul Packaging Topics 2
in Semester
1 2
Häufigkeit: unregelmäßig |
| Dozent: | Dr. Christian Reichert |
| Link zur Veranstaltung / zum E-Learning-Kurs: | https://e-learning.hdm-stuttgart.de/moodle/course/view.php?id=6255 |
| Sprache: | Deutsch |
| Art: | - |
| Umfang: | 2 SWS |
| ECTS-Punkte: | 3 |
| Workload: | Kontaktzeit, Betreuung Übungen 15 x 2 x 45 min. = 22,5 h / Vor-, Nachbereitung, Selbststudium ca. 35 h / Autonomes Lernen anhand von Übungsaufgaben ca. 35 h |
| Inhaltliche Verbindung zu anderen Lehrveranstaltungen im Modul: | 145210 Entwicklungsprojekt 2 |
| Prüfungsform: | |
| Beschreibung: |
Die Studierenden lernen die Grundidee der Schnittmenge Data Science (Computer Science, Mathematik & Statistik, Domain Experience) und Basisanwendungen kennen. Sie setzten sich mit den Grundideen der Datenbeschaffung, Aufbereitung, Visualisierung und Interpretation auseinander. Die Studierenden analysieren Geschäftsmodelle, die erst durch moderne Datentechnologien und Analysemethoden möglich geworden sind. Sie setzen sich mit den Herausforderungen und Chancen der Digitalisierung aus Sicht von Unternehmen auseinander. Sie befassen sich mit den rechtlichen Rahmenbedingungen und ethischen Fragestellungen, die mit der großflächigen Nutzung von Daten verbunden sind.
Schwerpunkte Digitale Technologien und digitale Transformation von Gesellschaft und Wirtschaft Geschäftsmodelldimensionen Geschäftsmodellelemente Anwendungsbezug hinsichtlich Datenverständnis, Interpretation, Manipulation in Industrie, Wirtschaft und Gesellschaft Data-Everywhere, Wertschöpfungsmodelle, Best Practise, Industrie 4.0 |
| English Title: | Packaging Topics 2 |
| English Abstract: | Data science encompasses preparing data for analysis, including cleansing, aggregating, and manipulating the data to perform advanced data analysis. Analytic applications and data scientists can then review the results to uncover patterns and enable business leaders to draw informed insights. |
| Literatur: |
Data Science - was ist das eigentlich (Algorithmen des maschinellen Lernens; Annalyn Ng, Kenneth Soo; Springer Verlag, Auflage Nov. 2018 Data Science für Unternehmen: Data Mining und datentypisches Denken; Foster Provost, Tom Fawcett; mitp Business, Auflage Okt. 2017 Weitere Literatur finden Sie in der HdM-Bibliothek. |
| Internet: | https://e-learning.hdm-stuttgart.de/moodle/course/view.php?id=6255 |