Skip to main content

Wissensmanagement – Methoden und Werkzeuge

Winter

(engl. Methods and Instruments for the Management of Knowledge )

Modulnummer: FIN-INF-100373
Link zum LSF: LSF
Verantwortung: Myra Spiliopoulou
Dozent:in: Myra Spiliopoulou
Lehrveranstaltungen:
  • Vorlesung Wissensmanagement - Methoden und Werkzeuge
  • Übung Wissensmanagement - Methoden und Werkzeuge
Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht
- B.Sc. CV: Informatik - Wahlpflicht
- B.Sc. INGINF: Informatik - Wahlpflicht
- B.Sc. WIF: Gestalten - Pflicht
- B.Sc. INF (bilingual): Informatik - Wahlpflicht

Kürzel

WMS

CP

5

Semester

Winter

Fachsem.

Dauer

1 Semester

Sprache

deutsch

Niveau

Bachelor

Angestrebte Lernergebnisse:
Die Studierenden:

  • verstehen, was Wissensmanagement bedeutet und was die Rolle und Ziele von einem WMS in einem Unternehmen sind
  • verstehen die Ziele und Grundfunktionalitäten von einzelnen WMS Komponenten
  • können erkennen, welche Instrumente für welche WMS-Aufgaben anzuwenden sind
  • verstehen, wie einfache Text-Mining Methoden funktionieren
  • verstehen, wie Modelle für herkömmliche und für multi-label Klassifikation abzuleiten sind
  • können Klassifikationsmodelle evaluieren
  • können Instrumente für vereinfachte WMS-Aufgaben anwenden
und haben damit notwendige Grundlagen erworben, um WMS-Lösungen gestalten zu können.

Inhalt:

  • Wissensmanagement im Unternehmen: Begriffe und Ordnungsrahmen für Wissensmanagementlösungen
  • Wissen und Strategie/Entscheidungsunterstützung
  • Wissensmanagementmethoden für explizites und tazides Wissen, darunter Dokumentenmanagement und Text Mining
  • Fallbeispiele

Arbeitsaufwand:

  • Präsenzzeiten: 28h Vorlesung + 28h Übung
  • Selbstständiges Arbeiten 94h: Vor- und Nachbearbeitung der Vorlesung Entwicklung von Lösungen für die Übungsaufgaben Vorbereitung für die Abschlussprüfung

Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS:

  • Klausur 120 Minuten
  • Prüfungszulassungsvoraussetzung: Erreichen einer minimalen Anzahl von Punkten durch Votierung auf Übungsaufgaben

  • 2 SWS Vorlesung
  • 2 SWS Übung
Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen:

keine


Medienformen: Literatur:


Literatur zum Teil I der Lehrveranstaltung:

  • 1. Franz Lehner ‘WISSENSMANAGEMENT - Grundlagen, Methoden und technische Unterstützung’ 6. überarbeitete und erweiterte Auflage, 2021, Verlag: HANSER; erreichbar unter www.hanser-elibrary.com von unserer Universitätsbibliothek
  • 2. Fallstudien zusätzlich aus: • K. Mertins & H. Seidel. "Wissensmanagement im Mittelstand", SPRINGER (2009) • A. Stocker & K. Tochtermann, "Wissenstransfer mit Wikis und Weblogs: Fallstudien zum erfolgreichen Einsatzvon Web 2.0 in Unternehmen", GABLER (2010)
Literatur zum Teil II der Lehrveranstaltung:
  • 1. Einstiegshilfe für Klassifikation aus dem entsprechenden Kapitel des Buchs ‘Introduction to Data Mining’, 2. Auflage, (2018/2019) von Pan-Ning Tan, Michael Steinbach, Anuj Karpatne & Vipin Kumar, PEARSON (erreichbar unter https://www-users.cs.umn.edu/~kumar001/dmbook/index.php)
  • 2. Auszüge zu Text Mining aus ‘Modeling the Internet and the Web: Probabilistic Methods and Algorithms’ (2003) von Pierre Baldi, Paolo Frasconi, Padhraic Smyth, WILEY
  • 3. Tutorial von Jesse Read zu Multi-Label Klassifikation (verlinkt vom Foliensatz) 2013
Außerdem, zwei Einstiegsartikel zu Textklassifikation:
  • ‘Text document preprocessing with the Bayes formula for classification using the Support Vector Machine’ by Isa, D., Lee, L. H., Kallimani, V., and Rajkumar, R. IEEE Transactions on Knowledge and Data Engineering, 20(9):1264–1272, (2008), IEEE
  • ‘Multinomial naive bayes for text categorization revisited’ by Kibriya, A. M., Frank, E., Pfahringer, B., and Holmes, G. In Australasian Joint Conference on Artificial Intelligence, p. 488–499, (2004), SPRINGER
Weiterführende Literatur zum Teil II:
  • Wissensrohstoff Text: Eine Einführung in das Text Mining’, Chris Biemann, Gerhard Heyer, Uwe Quasthoff (2022), SPRINGER Im Teil II gehen wir Themen ein, die im Buch in ✗ Abschnitt 3.2 ‘Die linguistische Pipeline’: Unterabs. 3.2.1-4 ✗ Abschnitt 6.6 Klassifikation, insbesondere Naive Bayes & Evaluation ✗ Abschnitt 6.7 Erstellung von Trainingsdaten erscheinen.
  • Weitere zitierte Literatur, zusätzliche Fallstudien und wissenschaftliche Artikel werden am Anfang des jeweiligen Veranstaltungsblocks bekannt gegeben.

Hinweise:

Back to top