Data Science und Immobilienmärkte
- Für Dual-Studierende (des Fb 3) 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 [drei Präsenztermine, semesterbegleitend virtuelle Impulsvorlesungen und Online-Jour Fixes nach Bedarf]
- Einführungsveranstaltung: 24.04.2024, 14.15 Uhr, Gebäude 4, Raum 310
- Abgabetermin Projektarbeiten: 03.07.2024
- Prüfungstermin (Präsentation): 03.07.2024
- Rücktritt möglich bis: 24.04.2024
Das Wichtigste in Kürze
Belegnummer |
geplante TN-Anzahl |
ECTS-Credit-Points |
Lernform |
Sprache |
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. Simone Gramsch (Fb 2)
- Prof. Dr. Dennis Forster (Fb 3)
Projektarbeit mit Präsentation (Bearbeitungszeit: 10 Wochen)
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