ETN-Code: DS009
Titel der Veranstaltung: Data Science
Untertitel:
Art der Lehrveranstaltung: Vorlesung
Kreditpunkte: 6
Semester: WiSe 2023/24
Turnus: gemäß Curricula
Semesterwochenstunden: 2
Kursverantwortliche/r: HERBERGER Tim Alexander [1201800033]
Dozent/in: Ender Manuela [1202100173]
Organisationseinheit: Doktorschule
Ziele und Inhalt des Kurses: Durch den Besuch des Kurses erhalten die Studierenden einen Überblick über Data Science und die Integration dieser Methoden in die angewandte empirische Forschung in den Sozial- und Wirtschaftswissenschaften. Der Kurs behandelt die Grundlagen von Data Science, insbesondere Big Data, Data Mining und Datenanalyse. Data Mining und Datenanalyse werden zusammen mit vertiefenden praktischen Übungen durchgeführt, die auch die Vermittlung von Grundlagen der Automatisierung im Data Mining beinhalten. Die praktischen Übungen werden teilweise im Selbststudium absolviert. In der Datenanalyse werden umfangreiche Kenntnisse der deskriptiven und induktiven Statistik vermittelt, sowie das Arbeiten mit quantitativen und qualitativen Daten in statistischen Analyseprogrammen. Wissenschaftliche Methoden wie multivariate Analyse, Ereignisstudien, Netzwerkanalyse und qualitative Inhaltsanalyse sind ebenfalls Bestandteil des Kurses.
Thema der einzelnen Lehreinheiten:
Dadurch lernen die Teilnehmer*innen ausgewählte quantitative Methoden im Detail kennen und wenden den gesamten Forschungsprozess auf eine aktuelle Fragestellung an. Die Studierenden setzen sich somit mit
• dem Aufstellen einer Forschungsfrage
• dem aktuellen Stand der Forschung
• dem Forschungsdesign
• der Stichprobenauswahl
• der Datensammlung
• der rechnerischen Durchführung sowie
• der Interpretation der Ergebnisse
auseinander und profitieren später beim Aufsetzen eines eigenen Forschungsprojektes (z.B. bei der Masterarbeit) von diesen Kenntnissen und Erfahrungen. Durch das Arbeiten in Gruppen erwerben die Studierenden darüber hinaus Fähigkeiten, im Team zu arbeiten und aufkommende Probleme gemeinschaftlich zu lösen.
Empfohlene Literatur (für die Gesamtveranstaltung):
Abdel-Karim, Benjamin M. (2022): Data Science : Best Practices mit Python. Springer Vieweg.
Benninga, Simon, Tal Mofkadi (2022): Financial Modeling, The MIT Press.
Bloss, Michael, et al. (2016): Financial Modeling, edited by Dietmar Ernst, Joachim Häcker, Schäffer-Poeschel.
Ender Manuela, Teodora Radovanovic (2021): Erfolgsfaktoren im Crowdfunding – eine Analyse österreichischer Crowdfunding Projekte, BFuP - Betriebswirtschaftliche Forschung und Praxis, 5/2021.
Ender, Manuela, Finn Brinckmann (2019): Impact of CSR-relevant News on Stock Prices of Companies listed in the Austrian Traded Index (ATX), International Journal of Financial Studies, Vol 7(3). DOI: 10.3390/ijfs7030036.
Frick, Detlev, Andreas Gadatsch, Jens Kaufmann, Birgit Lankes, Christoph Quix, Andreas Schmidt, Uwe Schmitz. (2021): Data Science: Konzepte, Erfahrungen, Fallstudien und Praxis, Springer Vieweg.
Grupp Tillmann (2022): Datenrendite : Mit künstlicher Intelligenz, Machine Learning und Data Science den Unternehmenswert steigern, Springer Gabler.
Sprache der Lehrveranstaltung: Deutsch (ger)
Notenskala: Prüfung (fünfstufig)
Form und Umfang der Leistungskontrolle:
Die Bewertung in diesem Kurs setzt sich aus mehreren Komponenten zusammen:
Für die Beurteilung der Prüfungsleistungen gilt die folgende Notenskala: „sehr gut“ (5), ,„gut“ (4), „befriedigend“ (3), „ausreichend“ (2), „ungenügend“ (1).
Prüfungsanmeldung: über das elektronische Studienverwaltungssystem
Anmerkungen:
