Der Kurs Data Science bietet den Rahmen, um aus Daten Wert zu schaffen. Nach einer Einführung behandelt der Kurs, wie geeignete Anwendungsfälle identifiziert und die Leistung von datengesteuerten Methoden bewertet werden. Der Kurs behandelt Techniken für die technische Verarbeitung von Daten und stellt dann fortgeschrittene mathematische Techniken und ausgewählte Methoden der künstlichen Intelligenz vor, die zur Datenanalyse und für Vorhersagen verwendet werden.

1. Einführung Data Science
   1. Überblick über Data Science
   2. Tätigkeiten der Data Science
   3. Datenquellen
   4. Deskriptive Statistik
2. Use Cases und Bewertung
   1. Data Science Use Cases (DSUCs)
   2. Bewertung
3. Datenvorverarbeitung
   1. Übermittlung von Daten
   2. Datenqualität, Bereinigung und Transformation
   3. Datenvisualisierung
4. Verarbeitung von Daten
   1. Stufen der Datenverarbeitung
   2. Methoden und Arten der Datenverarbeitung
   3. Ausgabeformate der verarbeiteten Daten
5. Ausgewählte mathematische Techniken
   1. Hauptkomponentenanalyse
   2. Clusteranalyse
   3. Lineare Regression
   4. Zeitreihenanalyse
   5. Methoden zur Datentransformation
6. Ausgewählte Techniken der künstlichen Intelligenz
   1. Stütz-Vektor-Maschinen
   2. Künstliche neuronale Netze
   3. Weitere Ansätze

Dem Marketing steht heute eine Vielzahl von Online-Instrumenten und Daten zur Verfügung. Allerdings fehlt häufig auf Grund der Menge an Informationen der Überblick, welche Daten, welche Informationen und welche Kennzahlen den Erfolgsbeitrag der jeweiligen Onlinemaßnahmen ab Besten messen und dokumentieren.

Im Rahmen dieses Moduls werden die Zusammenhänge und das Zusammenspiel der zentralen Erfolgskennzahlen des Online-Marketing erarbeitet. Aufbauend auf den theoretischen Grundlagen zu alternativen Metriken zur Beschreibung und Analyse des Benutzerverhaltens im Web werden komplexe Key Performance Indicators abgeleitet und hinsichtlich ihrer Relevanz für die einzelnen Onlinemarketing-Disziplinen diskutiert und reflektiert. Anschliessend werden fundiert Ansätze zur Überführung der gewonnenen Erkenntnisse in Onlinemarketing-Strategien bzw. zu deren Umsetzung in Online-Kampagnen und in Contentmarketing-Maßnahmen vermittelt. Den Abschluss bildet die Identifikation und Diskussion von Weiterentwicklungsmöglichkeiten und Digital Annalytic Trends im Marketing.

1. Grundlagen und Aufgaben von Digital Analytics
   1. Einführung und Definition von Digital Analytics
   2. Ziele von Digital Analytics
   3. Daten- und Informationsquellen
   4. Rechtliche Rahmenbedingungen
2. Metriken von Digital Analytics
   1. Grundlagen zu Metriken
   2. Hits, Seitenaufrufe, Besuche und Besucher
   3. Weitere Metriken
   4. Grenzen von Metriken: Ungenauigkeiten und Unschärfen
3. Digitale Key Performance Indicators (KPIs) und deren Analyse
   1. Suchmaschinenmarketing: Kennzahlen und Analyseansätze
   2. Social Media: Monitoring und Analyseansätze
   3. Website: Kennzahlen und Analyseansätze
   4. Email: Kennzahlen und Analyseansätze
4. Digital Strategy Development
   1. Grundlagen der Customer Journey
   2. Ableitung von digitalen Marketingzielen entlang der Customer Journey
   3. Anwendungs- und Gestaltungsmöglichkeiten für Digital & Mobile Campaigns
   4. Anwendungs- und Gestaltungsmöglichkeiten für Content Marketing
   5. Kontrolle der Strategie- und Maßnahmenumsetzung
5. Weiterentwicklungen und Perspektiven der Digital Analytics

Die Suche nach künstlicher Intelligenz hat das Interesse der Menschheit seit vielen Jahrzehnten bewegt und wird seit den 1960er Jahren rege beforscht. Dieser Kurs gibt einen detaillierten Überblick über die historischen Entwicklungen, Erfolge und Rückschläge in der KI sowie die Entwicklung und den Einsatz von Expertensystemen in frühen KI-Systemen.

Um kognitive Prozesse zu verstehen, wird der Kurs einen kurzen Überblick über das biologische Gehirn und (menschliche) kognitive Prozesse geben und sich dann auf die Entwicklung moderner KI-Systeme konzentrieren, die durch die jüngsten Entwicklungen im Bereich der Hard- und Software vorangetrieben werden. Besonderes Augenmerk liegt auf der Diskussion der Entwicklung "schmaler KI"-Systeme für spezifische Anwendungsfälle im Vergleich zur Schaffung allgemeiner künstlicher Intelligenz.

Der Kurs gibt einen Überblick über ein breites Spektrum potenzieller Anwendungsbereiche der künstlichen Intelligenz, darunter Industriebereiche wie autonomes Fahren und Mobilität, Medizin, Finanzen, Einzelhandel und Produktion.

1. Geschichte der KI
   1. Historische Entwicklungen
   2. KI Winter
   3. Bemerkenswerte Fortschritte in der AI
2. Expertensysteme
   1. Überblick über Expertensysteme
   2. Einführung in Prolog
3. Neurowissenschaften
   1. Das (menschliche) Gehirn
   2. Kognitive Prozesse
4. Moderne KI-Systeme
   1. Jüngste Entwicklungen bei Hard- und Software
   2. Schmale vs. Allgemeine KI
   3. NLP und Computer Vision
5. AI Anwendungsbereiche
   1. Autonome Fahrzeuge & Mobilität
   2. Personalisierte Medizin
   3. FinTech
   4. Einzelhandel und Industrie

The topic of artificial Intelligence (AI) has been addressed in computer science and cognitive science research since the 1950s; however, the meaning associated with the term has changed considerably over time. Having once been predominantly associated with logical calculus, reasoning, and planning, AI is now primarily interpreted in the context of deep networks of computational units. Despite these changes in approach, the important characteristic of AI continues to be the understanding and reproduction of cognitive abilities and functions by machines. This seminar strives to elucidate current research trends in AI. The students learn to independently analyze selected topics and case studies and link them with well-known concepts, as well as critically question and discuss them.

• The seminar covers current topics in artificial intelligence. Each participant must write a seminar paper on a topic assigned to him/her.