Springe direkt zu Inhalt

Applied Analytics (Wintersemester)

(10182006)

TypSeminar
Dozent/inProf. Dr. Daniel Fürstenau, M.Sc. Matthias Schulte-Althoff
KontaktpersonProf. Dr. Daniel Fürstenau
E-Maildaniel.fuerstenau@fu-berlin.de
SpracheEnglisch
Semesterab 1. Fachsemester Master
Veranstaltungsumfang4 SWS
Leistungspunkte6 ECTS
Freie Plätzeja
Anmeldemodalität

Studierende an der Freien Universität Berlin registrieren sich über das Campus Management-System. Alle weiteren interessierten Studierenden senden bitte eine E-Mail an die Dozierenden mit einer kurzen Motivation (maximal 1 Seite).

Beginn16.10.2025 | 14:00
Ende18.12.2025 | 18:00
Zeit

Vorlesung und Übung: 16.10.2025-18.12.2025, jeweils 14-18h, Hs 102 (Garystr. 21)

Zielgruppe

Masterstudierende der Wirtschaftsinformatik an der FU Berlin. Der Kurs ist offen für weitere Interessierte, z.B. aus dem Masterstudiengang Data Science oder Studiengängen an der Freien Universität Berlin, der Humboldt-Universität Berlin, der TU Berlin oder der Charité - Universitätsmedizin Berlin, z.B. Management & Marketing, Informatik, Master Statistik oder angrenzenden Studienfächern.

Voraussetzungen

Keine

Studierenden wird empfohlen das Modul nach der Veranstaltung „Business Intelligence“ zu besuchen, allerdings können auch Studierende mit bereits bestehenden Data Science Vorkenntnissen im 1. Semester teilnehmen, um ihre Business Analytics-Kenntnisse zu erweitern.

Der Kurs „Applied Analytics“ bietet eine praxisorientierte Vertiefung im Bereich Business Analytics und richtet sich an Studierende, die analytische Methoden auf reale Daten anwenden und deren ökonomische Bewertung verstehen möchten. Die Teilnehmenden arbeiten mit synthetisierten oder anonymisierten medizinischen Daten zu verschiedenen Datenmodalitäten, darunter z. B. Diagnosen, Prozeduren, Medikation und Assessment-Daten. Eine andere Anwendung könnten Real-World-Nutzerdaten (z. B. App-Reviews) darstellen.

Im Verlauf des Kurses arbeiten die Studierenden in Gruppen einführend an der Anwendung und dem Vergleich verschiedener prädiktiver Modelle. Aufbauend auf grundlegenden Verfahren wie logistischer Regression werden fortgeschrittene Ansätze wie Ensemble-Methoden (Random Forests, Boosting, Bagging, Stacking) eingeführt, praktisch erprobt und hinsichtlich ihrer Leistungsfähigkeit verglichen. Je nach Kurszusammensetzung können auch Multi-Class-Prediction oder Regressions-Probleme behandelt werden.

Ein weiterer Schwerpunkt liegt auf der Anwendung von Large Language Models (LLMs) im Bereich Textanalyse. Diese werden praxisnah anhand von Fallstudien im Gesundheitskontext (z. B. Patienten- und Nutzerfeedback, Chatbots, multimodale Prognosemodelle) behandelt und im Hinblick auf ihre Anwendungspotenziale, Limitationen sowie ökonomischen und ethischen Implikationen kritisch reflektiert.

Die ökonomische Bewertung von Analytics- und KI-Modellen bildet einen weiteren Schwerpunkt des Kurses, in dem Fragen der Ressourcenallokation, Effizienzsteigerung und Wertorientierung im Gesundheitswesen diskutiert werden.

Lernziele:

  • Ausgewählte Grundlagen der deskriptiven und prädiktiven Analytik vertiefen, z. B. im Bereich der explorativen Datenaufbereitung und dem Umgang mit Daten.
  • Verschiedene Datenanalyse-Modelle (z. B. klassische Verfahren aus dem Bereich Textanalyse) identifizieren, beschreiben und in der Praxis erproben.
  • Die Potenziale und Grenzen prädiktiver Analytik zur Entscheidungsunterstützung reflektieren.
  • Ausgewählte Probleme aus dem Bereich Large Language Models (LLMs), in praxisnahen Fallstudien erproben und ihre Potenziale sowie Limitationen (z. B. Bias, Fairness, Erklärbarkeit) reflektieren.
  • Die Ergebnisse von Datenanalysen und KI-gestützten Vorhersagemodellen in ökonomische Fragestellungen übertragen, deren Nutzen im Gesundheits- und Unternehmenskontext bewerten und kritisch für Entscheidungsprozesse interpretieren.

Kursliteratur:

Abbott, D. (2014). Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst (1st edition). Indianapolis, IN: John Wiley and Sons.

Es wird noch ein Buch zu Large Language Models anhand von Textdaten und ein Buch zu ökonomischer Evaluation hinzugefügt.

Schlagwörter

  • Applications
  • Business Intelligence
  • Machine Learning
Department Winfo
Digital-Innovation-Lab
ECDF
016 DynAge_BildWort_RGB_RZ_WEB