Modulcode:	infMPAPM-01a
Englische Bezeichnung:	Master Project - Applied Process Mining
Modulverantwortliche(r):	Prof. Dr. Agnes Koschmider
Turnus:	unregelmäßig (WS20/21 WS21/22 WS22/23 SS23 SS24)
Präsenzzeiten:	1Ü 4PÜ
ECTS:	10
Workload:	300 Std. Projektarbeit, davon 60 Std. betreute Praktsche Übungen und 15 Std. betreute Übungen
Dauer:	ein Semester
Modulkategorien:	MSc-WInf-Proj (MSc WInf (21)) Proj (MSc WInf (15))
Lehrsprache:	Deutsch
Voraussetzungen:

Kurzfassung:

Die Vorverarbeitung von Ereignisdaten für das Process Mining ist aufgrund der großen Datenvolumen häufig sehr zeitaufwendig und erfordert eine Vorverarbeitung der Ereignisdaten (z.B. Clustern), die mit Störfaktoren behaftet ist. Die Qualität von Process Mining hängt allerdings hängt stark von den zu Grunde liegenden Daten ab und kann durch eine effiziente Vorverarbeitung signifikant verbessert werden.

Lernziele:

Die sTudierenden können gelernten Inhalte der Process Mining Vorlesungen an realen Daten anwenden, Programmierkenntnisse anwenden und besitzen praxisrelevante Erfahrungen im Bereich des Process Minings.

Lehrinhalte:

In diesem Projekt sollen die Teilnehmenden unter Zuhilfenahme von maschinellen Lernverfahren Methoden entwickeln, die die Vorverarbeitung von Ereignisdaten wie zum Beispiel Clustern und Filtern beschleunigen. Die Praktikabilität der entwickelten Methoden soll anschließend anhand von realen Ereignisdaten und der Anwendung von bekannten Process Mining Algorithmen getestet werden.

Weitere Voraussetzungen:

Fundierte Kenntnisse in Process Mining und/oder gute Programmierkenntnisse in Python.

Prüfungsleistung:

Präsentation der Arbeitsergebnisse und Dokumentation im Rahmen eines Projektberichts.

Lehr- und Lernmethoden:

Zu Anfang der Veranstaltung werden den Studierenden Themenvorschläge gemacht, die gemäß den Fähigkeiten und Kenntnissen der Teilnehmenden angepasst werden können. Je nach Aufwand des Themas können Kleingruppen zur Bearbeitung gebildet werden. Regelmäßige Besprechungen mit dem Betreuer stellen eine kontinuierliche Bearbeitung und hohe Qualität der Ergebnisse sicher. Am Ende des Semesters werden die Teilnehmenden ihre Ergebnisse präsentieren und eine ausgearbeitete Projektdokumentation zur Bewertung abgeben.

Verwendbarkeit:

Die gesammelten Erfahrungen während dieses Masterprojekts bereiten die Studierenden auf mögliche Tätigkeiten nach dem Studium vor. Die theoretisch erworbenen Kenntnisse in den Process Mining Vorlesungen werden durch die praktische Anwendung vertieft.

Literatur:

Van Der Aalst, Wil. "Data science in action." Process mining. Springer, Berlin, Heidelberg, 2016.

Verweise:

Kommentar: