|
|
|
| Code: DBWINFO-320 |
|
|
- |
|
6 |
| Studienjahr: 3 |
| Pflichtfach: ja |
Arbeitssprache:
Deutsch |
Prüfungsart:
Klausur (120 Minuten, davon je 60 Min. für Datenbankbasierte Anwendungsprogrammierung und
für Data Warehousing, Business Intelligence & Big Data)
Pro Bearbeitungsminute ist ein Punkt zu vergeben.
[letzte Änderung 06.10.2021]
|
DBWINFO-320 (P730-0019) Wirtschaftsinformatik, Bachelor, ASPO 01.10.2021
, 3. Studienjahr, Pflichtfach
|
|
Der Gesamtaufwand des Moduls beträgt 180 Arbeitsstunden.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Als Vorkenntnis empfohlen für Module:
|
Modulverantwortung:
Prof. Dr. Dieter Hofbauer |
Dozent/innen: Prof. Dr. Dieter Hofbauer
[letzte Änderung 01.09.2021]
|
Lernziele:
Datenbankbasierte Anwendungsprogrammierung:
Die Studierenden kennen ausgewählte Architekturen für Datenbankanwendungen. Sie sind in der
Lage, Java-Anwendungen mit Hilfe der JDBC-Schnittstelle an eine Datenbank zu koppeln, auf Metadaten zuzugreifen, über Abfrageergebnisse zu iterieren und Transaktionen zu steuern. Die Vorteile eines Connection-Pools sind verstanden. Die von SQL-Injections ausgehenden Sicherheitsrisiken sind bekannt und Abwehrmaßnahmen können zweckgemäß eingesetzt werden. Der Ursprung und der Zweck des DAO-Entwurfsmusters (Data Access Object) wird verstanden und die
Studierenden sind in der Lage, es für Standardszenarien umzusetzen. Die Studierenden kennen
die Persistierung von Objekten über objektrelationale Abbbildungen als Alternative zur Objektserialisierung. Sie können Persistenzframeworks selbstständig nutzen und für eigene Aufgaben einsetzen, etwa die Java Persistence API (JPA) mit EclipseLink bzw. Hibernate.
Data Warehousing, Business Intelligence & Big Data:
Die Studierenden kennen die Begriffe und Konzepte in den Bereichen Data Warehousing, Business
Intelligence und Big Data und sie können diese Themen in den betrieblichen Kontext einordnen.
Sie verstehen die IT-technischen und die betriebswirtschaftlichen Aspekte, sie erkennen die Nutzungspotenziale in unterschiedlichen Branchen, und sie können erläutern, welchen Mehrwert der
Einsatz solcher Systeme bietet. Im Bereich Big Data sind die Studierenden in der Lage, im Rahmen
des Hadoop-Ökosystems ein Hadoop-Cluster aufzusetzen und MapReduce-Jobs zu starten. Sie
haben Grundlagen der sog. Künstlichen Intelligenz (KI) durch den praktischen Einsatz Künstlicher
Neuronaler Netze sowie von Fuzzy Logic kennengelernt. Die Studierenden verstehen, wie man
strukturierte Daten (Data Warehouse) sowie semistrukturierte und unstrukturierte Daten auch großer Datenmengen (Big Data) gezielt analysieren kann.
[letzte Änderung 06.10.2021]
|
Inhalt:
Datenbankbasierte Anwendungsprogrammierung:
1. Architekturen für Datenbankanwendungen
2. JDBC als Schnittstelle für Java-basierte Datenbankanwendungen
2.1. JDBC-Treiber; Verbindungsaufbau; Zugriff auf Metadaten
2.2. SQL-Statements und Iteration über Abfrageergebnisse
2.3. Transaktionssteuerung
2.4. SQL-Injections als Sicherheitsrisiko; PreparedStatements
2.5. Batch-Updates; CallableStatements
3. Entwurfsmuster Data Access Object (DAO)
4. Objektrelationale Abbildung (ORM)
4.1. Grundprinzip; Annotationen
4.2. Persistenzframeworks; Java Persistence API (JPA); EclipseLink
4.3. Objektverwaltung; Lebenszyklus von Entitäten
4.4. Java Persistence Query Language (JPQL)
Data Warehousing, Business Intelligence & Big Data:
1. Begriffsdefinitionen und Grundlagen eines DWH
2. Einsatzgebiete von DWH/BI-Systemen in unterschiedlichen Branchen
3. Referenzarchitektur; Phasen des Data Warehousing
4. Umsetzung des multidimensionalen Datenmodells (OLAP)
5. Business Intelligence; Data Mining
6. Strukturierte, semistrukturierte und unstrukturierte Datenbestände
7. Vorstellung des Hadoop-Ökosystems; Anwendungsbeispiele
8. Implementation eines Hadoop-Clusters auf einem Ubuntu-Server
9. Starten und Überwachen von MapReduce-Jobs
10. Einrichten und Testen eines Datawarehouse unter Hadoop mit Hive
11. Aufbau und Nutzung von Fuzzy-Systemen
12. Struktur Künstlicher Neuronaler Netze (KNN); Trainieren und Testen
13. Auswertungen von semistrukturierten Daten mit Splunk
[letzte Änderung 06.10.2021]
|
Weitere Lehrmethoden und Medien:
Vorlesung, integrierte praktische Übungen, Fallbeispiele
[letzte Änderung 06.10.2021]
|
Literatur:
Datenbankbasierte Anwendungsprogrammierung:
• Abts, Dietmar: Grundkurs Java – Von den Grundlagen bis zu Datenbank- und Netzanwendungen; Springer Vieweg; Wiesbaden
• Inden, Michael: Der Java-Profi: Persistenzlösungen und REST-Services – Datenaustauschformate, Datenbankentwicklung und
verteilte Anwendungen; dpunkt; Heidelberg
• Müller, Bernd/Wehr, Harald: Java Persistence API 2 – Hibernate, EclipseLink, OpenJPA und Erweiterungen; Hanser;
München
• Salvanos, Alexander: Professionell entwickeln mit Java EE 8 – Das umfassende Handbuch; Rheinwerk; Bonn
Data Warehousing, Business Intelligence & Big Data:
• Bauer, Andreas/Günzel, Holger (Hrsg.): Data Warehouse Systeme – Architektur, Entwicklung, Anwendung; dpunkt;
Heidelberg
• Eberl, Ulrich: Smarte Maschinen – Wie Künstliche Intelligenz unser Leben verändert; Hanser; München
• Freiknecht, Jonas/Papp, Stefan: Big Data in der Praxis – Lösungen mit Hadoop, Spark, HBase
und Hive: Daten speichern, aufbereiten, visualisieren; Hanser; München
• Gluchowski, Peter/Chamoni, Peter (Hrsg.): Analytische Informationssysteme – Business Intelligence-Technologien und -
Anwendungen; Springer Gabler; Berlin/HeidelbergRashid, Tariq: Neuronale Netze selbst programmieren – Ein
verständlicher Einstieg mit Python; O’Reilly Media/dpunkt; Heidelberg
[letzte Änderung 06.10.2021]
|
