Study Guide - BFH-TI - Berner Fachhochschule

CAS Datenanalyse
Inhaltsverzeichnis
1
2
3
4
5
6
7
8
8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
8.9
8.10
8.11
9
10
11
12
13
Abstract
Umfeld und Motivation
Zielgruppe
Ausbildungsziele
Voraussetzungen
Kursübersicht
Kompetenzprofil
Kursbeschreibungen
Tooling und Datenmanagement
Deskriptive Statistik und mathematische Grundlage
Statistisches Testen
Grafische Datenexploration und Datenvisualisierung
Ökonometrie
Zeitreihenanalyse und Prognosen
Data Mining
Data Projects in Action
Betreute Übungen
Workshop Visual Analytics mit SAS
Workshop SPSS Statistics
Kompetenznachweise
Lehrmittel
Dozierende
Organisation
Termine
Study Guide CAS DA
3
3
3
3
3
4
5
6
6
7
7
8
9
10
11
12
13
14
14
15
16
17
17
17
2/18
1 Abstract
Daten werden in Studien zielgerichtet erhoben oder entstehen in Informatiksystemen und
Applikationen in grossen Mengen. Ein Nutzen aus diesen Daten entsteht aber erst, wenn man sie
richtig versteht, interpretiert und methodisch korrekte Schlüsse daraus zieht. Dieses CAS richtet sich
an Fachpersonen verschiedenster Branchen und Aufgabengebiete, die sich in die Arbeits- und
Denkweise der Datenanalyse einarbeiten wollen.
2 Umfeld und Motivation
"Making Sense out of Data" ist das Leitmotiv dieses Lehrganges: Wie entstehen Daten und was hat dies
für eine Bedeutung für deren Analyse? Wie beschreiben wir Datensätze, welche Qualität haben sie,
welche Aussagen kann man damit machen und welche Schlussfolgerungen kann man aus ihnen
ziehen?
Oft sind Ausgangs- oder Rohdaten für eine Datenanalyse heute bereits vorhanden. Ausgereifte und
leicht bedienbare Werkzeuge zur Aufbereitung von Daten, zur Analyse und Visualisierung stehen auf
dem Markt ebenfalls zur Verfügung. Ihre sinnvolle Anwendung erfordert aber analytische und
methodische Vorkenntnisse. Nur damit können vermutete Zusammenhänge und Hypothesen
zuverlässig überprüft und belegt werden.
Das CAS ist ein interdisziplinäres Projekt zwischen den Fachbereichen Technik und Informatik,
Wirtschaft und Soziale Arbeit. Es ist ebenfalls Teil des Master of Advanced Studies in Data Science der
Berner Fachhochschule.
3 Zielgruppe
–
–
–
–
Mitarbeitende, die im Rahmen ihrer beruflichen Aufgaben Datenbestände auswerten oder
datenbezogene Studien durchführen.
Informatikerinnen und Informatiker, die in der Umsetzung von Datenanalyse-Projekten arbeiten.
Projektleitende, die für die Führung von Datenanalyse-Projekte in ihrem Unternehmen
verantwortlich sind.
Wissenschaftliche Mitarbeitende, welche ihre Fachbereiche beim Erstellen von Analysen und
Studien beraten.
4 Ausbildungsziele
–
–
–
–
–
–
Sie erhalten einen praxisorientierten Überblick über das Gebiet der Datenanalyse.
Sie erlernen den methodischen Umgang beim Verarbeiten, Analysieren und Darstellen von Daten.
Sie lernen am Beispiel der Ökonometrie die Regressionsanalyse im Detail kennen, um quantitative
Zusammenhänge zwischen Variablen zu bewerten und zu analysieren.
Sie können Zeitreihen analysieren und darauf basierende Prognosen erstellen.
Sie wissen, mit welchen Techniken des Data Mining man Daten klassifizieren oder darin Muster
erkennen kann.
Sie lernen die Anwendung verbreiteter statistischer Programm, wie das mächtige Open SourceFramework R (r-project.org) und Gretl (gretl.sourceforge.net) kennen und Sie bekommen einen
Einblick in die Anwendungsmöglichkeiten kommerzieller Statistik-Pakete wie SAS und SPSS.
5 Voraussetzungen
Sie bringen ein Bachelorstudium auf Hochschulstufe mit, können mit mathematischen Gesetzen
umgehen und haben die Bereitschaft zur anwendungsorientieren Arbeit mit statistischer Software.
Details zu den allgemeinen Zulassungsbedingungen finden Sie auf unserer Webseite.
Study Guide CAS DA
3/18
6 Kursübersicht
Kurs/Lehreinheit
Lektionen
Dozierende
Tooling und Datamanagement
12
Rudolf Farys, UniBe
Grafische Datenexploration und Datenvisualisierung
16
Oliver Hümbelin, BFH
Fabienne Kilchör, BFH
Deskriptive Statistik und mathematische Grundlage
12
Michel Krebs, BFH
Statistisches Testen
24
Michel Krebs, BFH
Ökonometrie
24
Raul Gimeno, BFH
Zeitreihenanalyse und Prognosen
24
Raul Gimeno, BFH
Data-Mining
24
Romeo Kienzler, IBM
Workshop Visual Analytics mit SAS
8
SAS Mitarbeitende
Workshop SPSS Statistics
8
IBM Mitarbeitende
Data Projects in Action
8
Siehe Kursdetails
Betreute Übungen
Total
20
Dorian Kessler, BFH
180
Das CAS umfasst insgesamt 12 ECTS Punkte. Für die einzelnen Kurse ist entsprechend Zeit für
Selbststudium, Prüfungsvorbereitung etc. einzurechnen.
Study Guide CAS DA
4/18
7 Kompetenzprofil
Legende:
1. Kenntnisse von Begriffen, Definitionen und Regeln; Faktenwissen
2. Verstehen von Zusammenhängen, Erklären von Sachverhalte erklären können
3. Anwendung des Wissens in einfachen Situationen
4. Analyse der eigenen Lösung
5. Synthese neuer Lösungen und Anwendung in komplexen Situationen
6. Beurteilung der Anwendbarkeit für bestimmte Probleme und Situationen, methodische Abwägung
und Evaluation von Alternativen, Beziehungen zu anderen Fachgebieten
Study Guide CAS DA
5/18
8 Kursbeschreibungen
Nachfolgend sind die einzelnen Kurse 1 dieses Studienganges beschrieben.
8.1
Tooling und Datenmanagement
Kursbeschreibung
Lernziele
Einführung in das Statistiksoftwarepaket R, welches sich zunehmend zu einer
Standardsprache der Datenanalyse entwickelt. Folgende Themen sollen
behandelt werden: Grundlegende Funktionsweise von R, Datenmanagement,
einfache Auswertungen sowie die Einbindung von R in den persönlichen
Workflow (Umgang mit unterschiedlichen Datenquellen/-formaten und
Einbindung von Resultaten in die Textverarbeitung (Word/Latex/HTML).
Themen
Einführung in R
− Einlesen und Aufbereiten von Daten
− Deskriptive Auswertungen
− Ausblick: Regressionsmodelle
Allgemeine
Lehrmittel
−
Skript/Readings auf eLearning Plattform
Literaturempfehlungen:
–
→
→
→
An R Companion to Applied Regression, siehe Lehrmittel-Liste Nr. [5]
http://tryr.codeschool.com/
http://shiny.rstudio.com/
R Instructor on Android, S. Murphy
Der Begriff Kurs schliesst alle Veranstaltungstypen ein, es ist ein zusammenfassender Begriff für
verschiedene Veranstaltungstypen wie Vorlesung, Lehrveranstaltung, Fallstudie, Living Case, Fach,
Studienreise, Semesterarbeiten usw.
1
Study Guide CAS DA
6/18
8.2
Deskriptive Statistik und mathematische Grundlage
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
Erlernen die grundlegenden Konzepte der deskriptiven Statistik. Nach
Absolvierung des Moduls sind sie in der Lage, Daten aufzubereiten und zu
präsentieren.
Kennen Matrizen und sind in der Lage, elementare Matrizenoperationen
korrekt durchzuführen.
Themen
−
−
−
−
−
−
Statistische Kennzahlen
Verteilungen
Lage- und Streuungsmasse
Quantile
Bivariate Datenanalyse
Matrizen und Matrizenoperationen
Allgemeine
Lehrmittel
−
Folien/Skript/Readings auf eLearning Plattform
Literaturempfehlungen:
−
8.3
Statistik ohne Angst vor Formeln, siehe Lehrmittel-Liste Nr. [2]
Statistisches Testen
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
Erlernen die Grundlagen der Wahrscheinlichkeitsrechnung und der
schliessenden Statistik.
Kennen insbesondere die statistischen Konzepte der Schätzung, des
Hypothesentests sowie des Vertrauensintervalls und können diese in der
Praxis anwenden.
Themen
−
−
−
−
−
−
−
−
Wahrscheinlichkeitsrechnung
Zufallsvariable
Summen von Zufallsvariablen
Vertrauensintervalle und Hypothesentests
Lineare Einfachregression
Schätzen
Bestimmtheitsmass
Prognose
Allgemeine
Lehrmittel
−
Folien/Skript/Readings auf eLearning Plattform
Literaturempfehlungen:
−
Study Guide CAS DA
Statistik ohne Angst vor Formeln, siehe Lehrmittel-Liste Nr. [2]
7/18
8.4
Grafische Datenexploration und Datenvisualisierung
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
−
−
Themen
−
−
−
Allgemeine
Lehrmittel
−
Bedeutung und Funktion von explorativer Datenanalyse und
Datenvisualisierungen: Von Tukey über Tufte zu Quealy
Techniken der Datenexploration mit R
− Univariate Techniken: Stem-and-Leaf_plot, Barcharts, Histogramme,
Wahrscheinlichkeitsverteilungen, Boxplots, Zeitreihen
− Bi- und multivariate Techniken: Streudiagramme, Heat-Maps und
Vergleich von Verteilungen
− Erkennen räumlicher Muster
Visualisierungen als Mittel der Kommunikation
− Gestalt-Prinzipien der Datenvisualisierung und Umsetzung mit ggplot
− Interaktive Graphiken als Webapplikationen
Folien/R-Skripte und über e-learning bereitgestellte Texte
Literaturempfehlungen:
−
−
Study Guide CAS DA
Können den Nutzen von explorativer Datenanalyse und
Datenvisualisierungen im Prozess der Datenanalyse einschätzen.
Sind mit den zentralen Techniken der Datenexploration vertraut und können
diese mit R umsetzen.
Sind fähig basierend auf den Gestaltungs-Prinzipien der Datenvisualisierung,
anschauliche Graphiken zu erstellen.
Lernen die Möglichkeiten von interaktiven Datenvisualisierungen kennen
und können eigene, einfache Applikationen programmieren.
R Graphics Cookbook, Practical Recipes for Vsiualizing Data, siehe
Lehrmittel-Liste Nr. [6]
Visualize This: The Flowing Data Guide to Design,
siehe Lehrmittel-Liste Nr. [4]
8/18
8.5
Ökonometrie
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
Lernen die Regressionsanalyse als vielseitiges und klassisches Instrument
kennen, mit dem Beziehungen zwischen abhängigen und unabhängigen
Grössen hergestellt und Prognosen erstellt werden können.
Können Methoden und Kriterien zur Überprüfung eines Modells, möglicher
Einschränkungen, möglicher Modellfehler und zur Einschätzung der
Prognosequalität anwenden.
Themen
−
−
−
−
−
Lineare Regression
Multiple lineare Regression
Lineare Restriktionen
Prognose und Prognosequalität
Analyse der Modellstruktur:
− Multikollinearität
− Heteroskedastizität
− Autokorrelation
− Mehrgleichungssysteme
− Nichtlineare Zusammenhänge
Allgemeine
Lehrmittel
−
Folien/Buch/Readings auf eLearning Plattform
Obligatorische
Lehrmittel
Study Guide CAS DA
Literaturempfehlungen:
−
Principles of Econometrics, International Student Version, siehe LehrmittelListe Nr. [7]
−
Einführung in die Ökonometrie, siehe Lehrmittel-Liste Nr. [1]
9/18
8.6
Zeitreihenanalyse und Prognosen
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
−
Kennen die Eigenschaften und Charakteristika von Moving-Average,
Autoregressiven und ARIMA Prozessen.
Können ARMA-Modellen identifizieren und schätzen.
Können zwischen trend-stationären und differenz-stationären Prozessen
unterscheiden.
Verstehen die Problematik des sogenannten „spurious-regression-Problem“.
Können die Unit-root-Tests (Einheitswurzel-Test) anwenden, mit deren Hilfe
das Vorliegen von nichtstationären Zeitreihen diagnostiziert werden kann.
Verstehen die Rolle der Kointegration für Fehlerkorrektur-Modelle
Können die Werkzeuge von Fehlerkorrektur-Modellen anwenden
Können dynamische Beziehungen zwischen ökonomischen Grössen mittels
VAR-Modellen spezifizieren.
Können das Repräsentations-Theorem von Granger anwenden.
Können Verfahren zum Parameterschätzen eines VEC-Modells anwenden. .
Themen
−
−
−
−
−
−
−
−
−
Univariate Zeitreihenmodelle
Box-Jenkins Ansatz
Prognosen
Kointegration
Fehlerkorrektur-Modelle
Modelle der Volatilität: ARCH und GARCH Prozesse
Unit roots-Tests
VAR-Prozesse und VEC-Modelle
Prognose mittels VAR-Modellen
Allgemeine
Lehrmittel
−
Folien/Buch/Readings auf eLearning Plattform
−
−
−
−
−
−
−
Obligatorische
Lehrmittel
Study Guide CAS DA
Literaturempfehlungen:
−
−
Introduction to modern time series analysis, siehe Lehrmittel-Liste Nr. [8]
Applied Econometric Time Series, siehe Lehrmittel-Liste Nr. [9]
−
Einführung in die Ökonometrie, siehe Lehrmittel-Liste Nr. [1]
10/18
8.7
Data Mining
Kursbeschreibung
Lernziele
Die Teilnehmer:
−
−
−
−
−
Themen
−
−
−
−
−
−
−
−
Allgemeine
Lehrmittel
Study Guide CAS DA
−
können selbständig ein unstrukturiertes Datenset bereinigen, ein Reverse
Engineering durchführen, und in eine strukturierte Form bringen.
haben einen Einblick in die Bearbeitung von Audio/Video-Dateien und
Muster-Sequenzen.
sind in der Lage, vorgegebene Fragen bezüglich Zusammenhängen in Daten
zu beantworten und auch selbständig Datensets zu erforschen.
vertiefen die Anwendung von Standard-Software zur Datenanalyse (R).
kennen Alternativen, um grosse Datenmengen, die nicht auf eine einzelne
Maschine passen, zu analysieren.
Information Retrival und Cleansing.
Pre-Processing / Feature Extraction.
Textabfragen und Text Mining.
Muster in Daten erkennen, Explorative Datenanalyse.
Cluster- und Klassifikationsverfahren.
Ausflug 1, Option 1: Erkennung einer DNA Kette anhand von vorgegebenen
Positiv- und Negativ-Beispielen.
Ausflug 1, Option 2: Automatische Klassifizierung von Textdokumenten
nach Themengebieten und Überprüfung der Treffergenauigkeit mittels
vorklassifizierter Dokumente.
Ausflug 2: Erkennen von kriminellem Mitarbeiterverhalten anhand von
Netzwerkdaten einer grossen Bank
Folien/Buch/Readings auf eLearning Plattform
11/18
8.8
Data Projects in Action
Kursbeschreibung
Lernziele
Die Teilnehmenden:
−
−
Lernen anhand von Anwendungsbeispielen aus verschiedenen Domänen die
Bedeutung von Daten und Datenanalyse in verschiedenen Kontexten
kennen.
Lernen weitere Werkzeuge und Methoden, Anwendungsgebiete und
Datenquellen im Umfeld der Datenanalyse kennen.
Erhalten Einblick in aktuelle Themen der Datenanalyse.
−
Open Data
−
Themen
o
o
o
o
o
−
Sozialwissenschaften: "Verlaufsanalysen mit Administrativdaten aus dem
System der sozialen Sicherheit: Datenmanagement, Deskription und
statistische Modelle"
o
o
o
o
Allgemeine
Lehrmittel
Study Guide CAS DA
−
Die Relevanz von Daten in einer zunehmend digitalisierten Welt
Open Data in der Schweiz
Welche Daten sind öffentlich zugänglich?
Open Data nutzen (Gruppenarbeit)
Referent: Oleg Lavrovsky
Theorie zu Arbeit mit Administrativdaten und Verlaufstypologie
Übung mit fiktivem Admin-Datensatz
Theorie zu Wirkungsmodell mit Verlaufsdaten
Übung zu Regressionsanalyse Big Data in den Sozialwissenschaften
Folien/Buch/Readings auf eLearning Plattform
12/18
8.9
Betreute Übungen
Kursbeschreibung
Lernziele
Festigung der Inhalte aus den Hauptmodulen.
Fähigkeit, die gelernten Methoden selbständig mit der Software R-Studio
anwenden zu können.
Die Teilnehmenden werden unterstützt beim Umgang mit:
−
−
−
−
den grundlegenden Funktionen der Datenmanipulation und Objektsprache
in R Studio.
den wichtigsten Befehlen zur Berechnung von univariaten Verteilungs- und
bivariaten Zusammenhangsmassen, statistischer Unsicherheit und deren
Darstellung in Tabellen.
den wichtigsten Tools zur graphischen Darstellung der Berechnungen.
der Interpretation von Kennzahlen.
Die Teilnehmenden werden befähigt, diese Kenntnisse für eigene Anwendungen
einzusetzen, und kennen die wichtigsten „Anlaufstellen“ (Literatur und
Onlinehilfen) um das bestehende Wissen weiterzuentwickeln und auf neue
Anwendungen auszuweiten.
Die Betreuung (Aufgabenhilfe, Unterstützung bei Anwendungen mit eigenen
Datensätzen) läuft primär über das Moodle-Forum. Offene Fragen werden vom
Übungsverantwortlichen regelmässig beantwortet. Es besteht zudem die
Möglichkeit nach Vereinbarung Probleme bei der Übungslösung persönlich resp.
per Skype/Email zu besprechen.
Themen
Flexibel anpassbar, typischerweise im Umfeld:
−
−
−
Allgemeine
Lehrmittel
−
Datenaufbereitung mit R Studio: Datensätze laden, verbinden, umformen,
aggregieren (u.a. mit dplyr/data.table, reshape2) und exportieren.
Objektsprache in R: Berechnung von Verteilungs- und ZusammenhangsMassen, Darstellung in Tabellen.
Grafische Darstellung von Ergebnissen: built-in plot Befehle, Library ggplot2.
Onlinehilfen:
− Generell: Suchmaschinen
− Spezifische Websites (stackoverflow, Quick R (statmethods.net), R
mailing lists, google groups, you tube channels…)
Literaturempfehlungen:
−
Study Guide CAS DA
R in Action – data analysis and graphics with R, siehe Lehrmittel-Liste Nr. [3]
13/18
8.10 Workshop Visual Analytics mit SAS
Kursbeschreibung
Lernziele
Einführung in das Thema Analytics aus Vendor- und Marktführer-Sicht.
Kennenlernen und Anwenden von SAS Visual Analytics (eventuell auch Visual
Statistics).
Themen
−
Allgemeine
Lehrmittel
−
Trends im Bereich Decision Management in verschiedenen Industrien und
Themengebieten wie Kunden Management, Betrugserkennung usw.
Analytische Use Cases und Best Practices
→
→
→
→
General Entry Points
Direct Link to interactive Demos
Technical Resources
Videos (YouTube) about Visual Analytics
8.11 Workshop SPSS Statistics
Kursbeschreibung
Lernziele
Die Teilnehmenen erlangen einen Überblick über die Analysemöglichkeiten und
den Gebrauch des SPSS Statistik-Paketes.
Themen
Allgemeine
Lehrmittel
Study Guide CAS DA
14/18
9 Kompetenznachweise
Für die Anrechnung der 12 ECTS-Punkte ist das erfolgreiche Bestehen der Qualifikationsnachweise
(Prüfungen, Projektarbeiten) erforderlich, gemäss folgender Aufstellung:
Kompetenznachweis
Gewicht
Art der Qualifikation
Erfolgsquote
Studierende
Deskriptive Statistik
1
Schriftlich, Block 1 / 30' / Open Book, Laptop
0 – 100 %
Statistisches Testen
2
Schriftlich, Block 1 / 30' / Open Book, Laptop
0 – 100 %
Grafische Datenexploration
und Datenvisualisierung
1
Übungen + Schriftlich, Block 1 / 30' / Open
Book, Laptop
0 – 100 %
Ökonometrie
1.5
Schriftlich, Block 2 / 45' / Open Book, Laptop
0 – 100 %
Zeitreihen und Prognosen
1.5
Schriftlich, Block 2 / 45' / Open Book, Laptop
0 – 100 %
Data Mining
2
Schriftlich, Block 2 / 30' / Open Book, Laptop
0 – 100 %
Tooling
1
Übung / Hausaufgabe
0 – 100 %
Gesamtgewicht /
Gesamterfolgsquote
ECTS Note
10
0 – 100 %
A-F
Die Termine sind im Stundenplan aufgeführt. Studierende können in einem Kompetenznachweis eine
Erfolgsquote von 0 bis 100% erarbeiten. Die gewichtete Summe aus den Erfolgsquoten pro Thema und
dem Gewicht des Themas ergibt eine Gesamterfolgsquote zwischen 0 und 100%. Die
Gesamterfolgsquote wird in eine ECTS Note A bis E umgerechnet, gemäss Studienreglement. Weniger
als 50% Gesamterfolgsquote ergibt eine ungenügende Note F.
Study Guide CAS DA
15/18
10 Lehrmittel
Für das Einlesen und als Begleitmaterial werden folgende Bücher empfohlen:
Nr
Titel
Autoren
Verlag
Jahr
ISBN Nr.
[1] Einführung in die
Ökonometrie
Peter Hackl
Pearson
Studium
2012
ISBN:
978-3-86894-156-2
P
[2] Statistik ohne Angst vor
Formeln
Andreas Quatember
Pearson
Studium
2014
ISBN:
978-3-86894-218-7
E
[3] R in Action – data
analysis and graphics
with R
Robert I. Kabacoff
Manning
2015
ISBN:
978-1-61729-138-8
E
[4] Visualize This: The
Flowing Data Guide to
Design, Visualization,
and Statistics
Nathan Yau
John Wiley
& Sons Inc
2011
ISBN:
978-0-470-94488-2
E
[5] An R Companion to
Applied Regression
John Fox,
Harvey Sanford
Weisberg
SAGE Publications Inc
2011
ISBN:
978-1-4129-7514-8
E
[6] R Graphics Cookbook
Winston Chang
O'Reilly UK
Ltd.
2012
ISBN:
978-1-4493-1695-2
E
R. Carter Hill,
William E. Griffiths,
Mark Andrew Lim,
Guay C. Lim
John Wiley
and Sons
Ltd
2011
ISBN:
978-0-470-87372-4
E
[8] Introduction to Modern
Time Series Analysis
Uwe Hassler,
Gebhard
Kirchgässner,
Jürgen Wolters
Springer
2014
ISBN:
978-3-642-44029-8
E
[9] Applied Econometric
Time Series
Walter Enders
John Wiley
& Sons Inc
2014
ISBN:
978-1-118-80856-6
E
Practical Recipes for
Vsiualizing Data
[7] Principles of
Econometrics
International Student
Version
Typ
Weitere Empfehlungen und Hinweise bei den einzelnen Lehrveranstaltungen.
Legende Typ:
P = Pflichtlektüre mit Beschaffung durch Teilnehmende
E = empfohlen
Study Guide CAS DA
16/18
11 Dozierende
Kursverantwortliche Dozierende sind:
Vorname Name
Firma
E-Mail
Michel Krebs
BFH
[email protected]
Oliver Hümbelin
BFH
[email protected]
Rudolf Farys
UniBe
[email protected]
Fabienne Kilchör
BFH
[email protected]
Raul Gimeno
BFH
[email protected]
Romeo Kienzler
IBM
[email protected]
Dorian Kessler
BFH
[email protected]
Oleg Lavrovsky
BFH
[email protected]
Tobias Fritschi
BFH
[email protected]
Luzius von Gunten
BFH
[email protected]
Enrica Camilleri
IBM
[email protected]
+ Weitere Experten, Betreuer und Gastreferenten aus Unternehmen und Hochschulen
12 Organisation
CAS-Leitung:
Prof. Dr. Arno Schmidhauser, Departement Technik und Informatik
Tel: +41 31 84 83 275
E-Mail: [email protected]
Oliver Hümbelin, Departement Wirtschaft, Gesundheit und Soziale Arbeit.
Tel: +41 31 848 36 97
E-Mail: [email protected]
CAS-Administration:
Andrea Moser
Tel: +41 31 84 83 211
E-Mail: [email protected]
13 Termine
Daten:
KW 43, 2015 bis KW 14, 2016
Donnerstags, von 08:30 bis 16:15 Uhr
Stundenplan siehe Webseite "Durchführungsdaten"  Details
Study Guide CAS DA
17/18
Dokumenteninformation
Study Guide CAS DA
2015-12-04
Die Inhalte und Angaben in diesem Study Guide können sich bis zum Studienstart noch verändern.
Berner Fachhochschule
Technik und Informatik
Weiterbildung
Wankdorffeldstrasse 102
CH-3014 Bern
Telefon +41 31 848 31 11
Email: [email protected]
→ ti.bfh.ch/weiterbildung
→ ti.bfh.ch/cas-da
Study Guide CAS DA
18/18