Mercator Stiftungslehrstuhl für Demand Management & Sustainable Transport

Sustainable Urban Transport BSc

In diesem Kurs geht es darum, ein Bewusstsein dafür zu schaffen, was derzeit im Bereich der nachhaltigen Mobilität und Transportlösungen geschieht. Darüber hinaus wird erörtert, wie innovative Geschäftsmodelle bewertet werden können, wie ihr Ökoeffizienz- und Nachhaltigkeitspotenzial bewertet werden kann, und es werden einige datengestützte Modellierungsansätze betrachtet, die zur Erreichung von Nachhaltigkeit beitragen.

Der Kurs enthält mehrere Fallstudien, um die Konzepte praxisnah zu veranschaulichen. Inhaltlich befassen wir uns mit Trends nach dem Covid 19, der Nachhaltigkeitsbewertung, grünen Fahrzeugen (Elektrofahrzeuge, gemeinsam genutzte Mobilität, autonomes Fahren), innovativen Logistikkonzepten und bedarfsgerechter Luftmobilität.

Predictive Analytics

In diesem Kurs soll ein Verständnis dafür vermittelt werden, wie Analyseprojekte funktionieren, um sie managen und/oder ihren Nutzen beurteilen zu können.

Es handelt sich nicht um einen Modellierungskurs - obwohl wir uns mit Modellierung beschäftigen werden. Es ist auch kein Programmierkurs - obwohl wir in R viel programmieren werden. Stattdessen dient die Modellierung und Programmierung nur zur Veranschaulichung der Schritte, die in typischen Analyseprojekten vorkommen. Dies soll bei der Planung eines solchen Projekts helfen, angefangen vom Verständnis des Geschäftsproblems über die Modellierung bis hin zur Modellbewertung und Kommunikation der Projektergebnisse (oder eines Projektvorschlags) an einen Kunden.

Es gibt keine klassische Trennung zwischen Vorlesungs- und Tutoriumssitzungen; stattdessen werden in allen Sitzungen Vorlesungselemente, praktische Demonstrationen und Übungen miteinander vermischt, um ein ansprechenderes Umfeld zu schaffen. In einer bewerteten Gruppenarbeit durchlaufen Sie alle Phasen eines datenwissenschaftlichen Projekts, einschließlich der Gestaltung der Geschäftsziele und der Verbindung der Modellierungsergebnisse mit diesen.

Der Lehrplan sieht wie folgt aus:

1. Einführung in den CRISP-DM-Prozess (Problemverständnis)
2. Sampling und Partitionierung (Datenaufbereitung)
3. Feature Selection, Modellierung und Overfitting (Modellierung)
4. Bewertung und Vergleich von Prognosemodellen
5. Anwendungen: Naïve Bayes, Association Mining, Clustering, Text Mining

Prescriptive Analytics & ML

Dieses Modul zielt darauf ab, die Studierenden mit den wichtigsten Werkzeugen im Bereich Prescriptive Analytics (d.h. Entscheidungsunterstützung durch Optimierungstechniken) vertraut zu machen und die Nutzung von Methoden des maschinellen Lernens in diesem Bereich zu vermitteln. Das Modul baut auf dem Voraussetzungsmodul „Predictive Analytics“ auf, in dem bereits grundlegende Methoden des maschinellen Lernens eingeführt wurden.

1. Einführung: Überblick über Prescriptive Analytics
2. Statische Optimierungsprobleme & Anwendungen:
   1. Lineare Programmierung
   2. Nicht-lineare Optimierung
   3. (Gemischt-)Ganzzahlige Optimierung
3. Dynamische Optimierungsprobleme
   1. Dynamische Programmierung
   2. Reinforcement Learning / Q-Learning
4. Interpretierbarkeit im maschinellen Lernen

PT MBA / FT MBA / Online MBA: Data Science & AI

Mit dem drastischen Anstieg des Einsatzes von Data Science in Unternehmen steigt auch der Bedarf an Managern, die die Grundlagen der Data Science kennen, um effektive Entscheidungen zu treffen: McKinsey schätzte, dass für jeden Datenwissenschaftler etwa 10 Manager mit diesen Fähigkeiten benötigt werden (da der Nutzen eines Data-Science-Teams in mehreren Bereichen des Unternehmens erzielt werden kann).
Dieser Kurs versucht, dieses Wissen zu vermitteln. Konkret geht es darum, ein Verständnis für Data Science zu vermitteln, das ausreicht, um ein kritischer Konsument von Data-Science-Lösungen zu werden. Sie werden die notwendigen Fähigkeiten erwerben, um die richtigen Fragen zu stellen, wenn Berater Data-Science-Projekte vorschlagen, und Sie werden in der Lage sein, besser mit internen Data-Science-Teams zu kommunizieren, da Sie verstehen, wie Data Scientists arbeiten. Das Ziel ist nicht, Sie zu einem Datenwissenschaftler auszubilden, sondern mit ihnen als Manager zu arbeiten.

Die folgenden Konzepte werden behandelt (praxisnah und fallbasiert):

• Einführung in den branchenübergreifenden Standardprozess für Data Mining: vom Geschäftsverständnis über das Datenverständnis, die Datenaufbereitung, die Modellierung, die Auswertung bis hin zum Einsatz.
• Datentypen und warum diese wichtig sind
• Daten-Sampling und Partitionierung
• Konzeptionelles Verständnis der wichtigsten Modelle des maschinellen Lernens für prädiktive Analysen (Entscheidungsbäume, lineare Klassifikatoren, ...)
• Was ist ein gutes Modell? Bewertung und Visualisierung der Modellleistung
• Datenwissenschaft und Unternehmensstrategie: Bewertung von Projektvorschlägen für Datenwissenschaft, Zusammenarbeit mit Datenwissenschaftlern
• Einführung Generative Künstliche Intelligenz
• Visualisierungskonzepte, interaktive Karten und Dashboards: Theorie und Praxis mit Tableau 

Fundamentals of Optimization – Doctoral Program

Optimierung ist für viele Anwendungen in der Wirtschaft wichtig, sei es im Finanzwesen, im Betrieb, im Marketing oder in anderen Bereichen. Ziel dieses Kurses ist es, einen breiten Überblick über die Konzepte zu geben, die der Optimierung zugrunde liegen, um den Studenten ein Verständnis dafür zu vermitteln, mit welcher Art von Optimierungsproblemen sie sich in ihrem Studium beschäftigen und wie diese angegangen werden könnten.

Die Abdeckung umfasst:

• Struktur eines Optimierungsproblems
• Deterministische versus stochastische Optimierung
• Kontinuierliche versus diskrete Optimierung
• Eingeschränkte versus uneingeschränkte Optimierung
• Grundlegend wichtige Konzepte wie Konvexität, Dualität, Komplexität, totale Unimodularität, ...
• Einführung in verschiedene Techniken einschließlich linearer und nichtlinearer mathematischer Programmierung, (ungefähre) dynamische Programmierung für Steuerungsprobleme, optimales Lernen

Wir werden nicht aus Zeitgründen zu tief in die Themen einsteigen, sondern der Schwerpunkt liegt auf der Vermittlung eines intuitiven Verständnisses von Optimierungstechniken und von ausnutzbaren Strukturen. Die Absicht ist es, diesen Kurs nützlich und relevant für alle Studenten zu machen, die mit irgendeiner Form von Optimierungsproblemen konfrontiert sind und die noch keine formale Ausbildung in Optimierung erhalten haben.