Data Science und Immobilienmärkte
- für Dualstudierende (des FB 3) NICHT geeignet -
- Teilweise online -
Interdisziplinäres Lernziel
In diesem Modul lernen Sie, moderne statistische Verfahren (Machine Learning) für die Analyse eines regionalen deutschen Immobilienmarktes einzusetzen. Sie werden räumliche Informationen, gebäudebezogene Merkmale sowie Immobilien-Marktdaten explorativ erkunden, verstehen und Aussagen für das Immobilienmanagement daraus ableiten können. Zudem lernen und üben Sie, komplexe Zusammenhänge einfach und verständlich zu visualisieren (Storytelling).
Termine der Veranstaltung
- Während des Semesters Mittwochnachmittag, 14:15-17:30 Uhr
- Einführungsveranstaltung: 22.04.2026, 14:15 Uhr, Raum folgt
- Abgabetermin Projektarbeiten: 08.07.2026
- Prüfungstermin (Präsentation):
- 08.07.2026
- 15.07.2026
- Rücktritt möglich bis: 26.04.2026
- Hybrider Aufsatz mit Präsenzterminen zum Kickoff, Zwischentestat und Abschlusspräsentationen sowie Impulsvorlesungen zur fachlichen Begleitung der Gruppenarbeit (in der Regel hybrid angeboten).
Das Wichtigste in Kürze
Belegnummer |
geplante TN-Anzahl |
ECTS-Credit-Points |
Lernformen |
Sprache |
Themencluster |
Modulkoordination
- Grundlagen Statistik
- Schätzmodelle in der Immobilienwirtschaft
- Explorative Datenanalyse in Python mit Jupyter Notebooks
- Datenbereinigung und –optimierung
- Anwendung von Machine Learning Algorithmen zur Analyse eines regionalen Wohnimmobilienmarktes
- Empirische Unterschiede zwischen Miet- und Kaufimmobilienmärkten Interaktive Visualisierung der Erkenntnisse mit Plotly und Dash
- Prof. Dr. Jonas Hahn (Fb 1)
- Prof. Dr. Dennis Forster (Fb 3)
Projektarbeit mit Präsentation
Die Studierenden erweitern die fachspezifischen Denkweisen (Theorien und Methoden) durch Einblicke in Fachwissen, Methodenkenntnisse und Denkweisen anderer Disziplinen.
Die Studierenden sind in der Lage:
- interdisziplinär zu denken und unterschiedliche Aspekte eines Querschnittsthemas zu erkennen, diese gegeneinander abzuwägen und ganzheitlich zu reflektieren;
- Zusammenhänge ihres künftigen Berufsfelds im Raum unterschiedlicher Disziplinen sowie gesellschaftlicher Interessen verständlich zu machen und diese Zusammenhänge fachlich versiert darzustellen und argumentativ zu vertreten;
- die Wirkungen und Folgen ihrer beruflichen und gesellschaftlichen Tätigkeit zu reflektieren und daraus Konsequenzen für ihr eigenes Handeln abzuleiten;
- anhand konkreter interdisziplinärer Aufgabenstellungen Verständnis für die fachfremden Denkweisen zu entwickeln und kooperativ im Umgang mit verschiedenen Kulturen und Wertesystemen zu handeln;
- aufgrund einer datenbasierten Analyse eine Entscheidung abzuleiten und durch Storytelling fachfremden Personen die Entscheidung zu kommunizieren.
- Bishop, Christopher M., und Nasser M. Nasrabadi. Pattern recognition and machine learning. Vol. 4. No. 4. New York: springer, 2006.
- VanderPlas, Jake. Data Science mit Python: Das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib und Scikit-Learn. MITP-Verlags GmbH & Co. KG, 2017.
- Nussbaumer Knaflic, C. Storytelling mit Daten. Verlag Franz Vahlen, 2017