INFMW Predictive Analytics und Datensicherheit in der vernetzten Welt | SG | INF | |
---|---|---|---|
Dozent : |
Prof. Dr. Ivo Keller
eMail
|
Semester | 2 |
Einordnung : | Master Informatik (Winter-Immatrikulation), Wahlpflicht Katalog M-INF-W | SWS | 4 |
Sprache : | Deutsch | Art | VÜS |
Prüfungsart : | PL | Credits | 6 |
Prüfungsform : | Belegarbeit mit mdl. Prüfungsgespräch | ||
Voraussetzungen : | |||
Querverweise : | |||
Vorkenntnisse : | Grundlagen der Statistik, Data Warehousing, XML/HTML, möglichst Programmiererfahrungen in Java oder Python Grundlagen des Datenschutzes, Risikomanagement, möglichst Predictive Analytics | ||
Hilfsmittel und Besonderheiten : | Studien- und Prüfungsleistungen: Semesterbegleitende Leistungen können in die Bewertung einbezogen werden. | ||
Lehrziele : | Nach erfolgreichem Abschluss dieses Moduls besitzen die Studierenden Kompetenzen zur Modellierung und Simulation von Prozessdaten und Benutzerverhalten. Sie benutzen dafür eine Programmier- und Visualisierungsumgebung wie z. B. Python oder Matlab. Die erworbenen fachlichen und methodischen Kompetenzen zielen auf den späteren Einsatz im Risikomanagement, der IT-Sicherheit, dem Operations Management und der Betrugserkennung ab. Das Ziel dieser Lehrveranstaltung ist es, die IT- und Informations-Sicherheitsaspekte vernetzter Dienste aus Effizienz-Sicht zu betrachten. Ziel sind Pareto-Prinzipien, bei minimaler Datenbasis das Gros der Qualität, bzw. Resilienz zu behalten. Nach erfolgreichem Abschluss dieses Moduls besitzen die Studierenden eine grundsätzliche Sensibilisierung für eine nachhaltige unternehmerische Governance. Damit werden sie in die Lage versetzt, moderne Technologien wie Big Data und Data Mining/Predictive Analytics effektiv und im Einklang mit ethischen und normenrechtlichen Anforderungen der Informationssicherheit auszuwählen und einzusetzen. Die Studierenden entwickeln eine ausgeprägte Problemlösungs und Beurteilungskompetenz. | ||
Lehrinhalte : | Den Studierenden werden hierbei Kenntnisse zu folgenden grundlegenden Themenbereichen vermittelt: | ||
Literatur : | • Chollet, F.: “Deep Learning with Python”, 2018 • Duda, R. O., Hart, P. E., Stork D. G., “Pattern Classification”, 2nd edition, John Wiley & Sons, New York, 2001 • Frochte, B.: “Maschinelles Lernen“, 2019 • Keller, I., „Klassifikation in der Multimedia-Kommunikation“, Vorlesungsscript an der TU Berlin, Stand Juli 2014 • Klein, B.: „Numerisches Python: Arbeiten mit NumPy, Matplotlib und Pandas“, 2019 • Gudehus, T.: Logistik – Grundlagen - Statistik - Anwendungen, Springer,4. Aufl., 2010 • Helisch, M.: Security Awareness, • Logemann, T., „Datenschutz in Unternehmen“, 2016 • Zuboff, S.: „Überwachungskapitalismus“, 2018 Weitere Literatur wird in der Vorlesung bekannt gegeben. |