Sie befinden sich hier:

Numerische Methoden für Data Science

Sie möchten erfahren welche numerischen Methoden für die Analyse großer Datenmengen verwendet werden? Durch das Wachstum an Datenvolumen stehen Unternehmen vor der Herausforderung, diese extrem großen Datenmengen („Big Data“) speichern und analysieren zu können. Herkömmliche algorithmische Methoden, die alle Daten betrachten, sind entweder nicht mehr anwendbar oder benötigen zu lange Rechenzeiten. In diesem Modul werden Sie numerische Methoden, Verfahren und Algorithmen kennenlernen, die auch für große Datenmengen noch effizient arbeiten und so erlauben, aus größeren Datenmengen Muster zu erkennen und wichtige Informationen zu extrahieren.

  • Big Data-Anwendungen in der Numerik kennenlernen
  • Flexibles Blended-Learning Format
  • Berufsbegleitend

Termine / Veranstaltungsort / Kosten

TerminVeranstaltungsort Kosten
15.10.2021 - 31.03.2022
Artikel-Nr.: UUL_Business_Num_202110
Ulm & online 1.900,00 

Veranstalter und Veranstaltungsort

Veranstalter

School of Advanced Professional Studies Universität Ulm

Zielgruppe und Voraussetzungen

Zielgruppe

Dieses Modul richtet sich an Berufseinsteigende, an junge Führungskräfte sowie Projektleitende und Beraterende, die ihre Kompetenzen im Umgang mit den Herausforderungen „Industrie 4.0“ und „Big Data“ optimal ausbauen und vertiefen wollen.

Teilnahmevoraussetzungen

Die Teilnehmenden sollten mathematische Kenntnisse auf Bachelor-Niveau, insbesondere Lineare Algebra (Matrizen, lineare Gleichungssysteme, Eigenwerte und -vektoren, Normen, Skalarprodukte) und Analysis (Funktionen mehrerer Veränderlicher, Satz von Taylor) beherrschen.

Inhalte und Lernziele

Inhalte

  • Numerische Lineare Algebra für Big Data-Anwendungen: Lösung linearer Gleichungssysteme, Eigenwerte und -vektoren, Singulärwertzerlegung
  • Numerische Lösung hochdimensionaler nichtlinearer Gleichungssysteme
  • Numerische Verfahren für Kalibrierungs- und Maximum-Likelihood-Probleme
  • Numerische Lösung hochdimensionaler nichtlinearer Gleichungssysteme
  • Standard-Software für derartige Problemstellungen

Ablauf

Das Online-Studium findet im Selbststudium und in Form von Gruppenarbeit statt. Für das Selbststudium steht ein ausführliches Skript zur Verfügung. Die zentralen Inhalte und zugehörige Beispiele werden zudem in kurzen Videos erläutert. Das lesefreundliche Skript ist nach dem didaktischen Konzept der Universität Ulm für berufsbegleitend Teilnehmende aufbereitet.

Um die vermittelten Inhalte zu festigen, werden in regelmäßigen Abständen Übungsblätter veröffentlicht, deren Lösungen von den Teilnehmenden und dem Mentor/der Mentorin gemeinsam zu den Präsenzterminen vorgestellt werden. Die Präsenztermine dienen außerdem der Klärung offener inhalticher Fragen und der gemeinsamen Reflexion der Modulinhalte mit den Dozierenden.

Der Mentor/die Mentorin des Moduls bietet zudem in regelmäßigen Abständen Online-Sprechstunden an, die die Teilnehmenden bei der Bearbeitung des Lernstoffs unterstützen. Außerdem steht ein weiteres Forum für den Austausch der Teilnehmenden untereinander bereit.

Lernziele

Nach erfolgreichem Abschluss des Moduls können die Teilnehmenden

  • die besonderen Herausforderungen bei Big Data-Anwendungen in der Numerik einschätzen und beurteilen
  • ausgewählte Algorithmen für hochdimensionale Probleme zu analysieren, bewerten und anwenden
  • vorhandene (kommerzielle) Software-Pakete hinsichtlich deren Anwendbarkeit für Big Data bewerten

Format, Abschluss, Qualitätssicherung

Lehr- / Lernformat

Blended-Learning

Abschluss

Bei erfolgreichem Abschluss des Moduls erhalten Sie ein Zertifikat sowie ein Supplement, das die Inhalte des Moduls als Übersicht auflistet.

Zeitaufwand

Das Modul erfordert einen Bearbeitungsaufwand von insgesamt 180 Stunden.

Creditpoints (ECTS)

6

Sprache

Deutsch

Termine und Fristen

Kurstermine

Die Termine für die Präsenzveranstaltungen und die Prüfungstermine werden noch bekannt gegeben.

Anmeldefrist

15.08.2021

DozentInnen

Prof. Dr. Karsten Urban, Leiter des Instituts für Numerische Mathematik
Prof. Dr. Stefan Funken, Professor im Institut für Numerische Mathematik
Laura Burr, Wissenschaftliche Mitarbeiterin im Institut für Numerische Mathematik

Ihre Weiterbildung soll größer sein?

Hier finden Sie weitere Module zum Thema Business Analytics: