Dette kursus introducerer den portefølje af datavidenskabelige opgaver og teknikker, der er nødvendige for at udforske, manipulere, visualisere og analysere data (deskriptiv analyse) samt for at opbygge forudsigelsesmodeller ved hjælp af maskinlæring (prædiktiv analyse), der kan bruges til at opnå indsigt og støtte beslutninger (præskriptiv analyse). Den er udviklet med henblik på, at studerende inden for Management Engineering (dvs. en vis programmeringsbaggrund, men ikke den centrale færdighed), især - men ikke udelukkende - studerende med relation til studier inden for mobilitet og logistik og virksomhedsanalyse. Derfor indeholder den en stærk praktisk komponent med specifikke cases fra den virkelige verden omkring mobilitets- og forretningssammenhænge.

Kurset omfatter også en introduktion til Python-programmering, databehandling, problemformulering og den grundlæggende pakke af maskinlæringsalgoritmer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Køre Python-scripts, der indlæser og analyserer små/mellemstore datasæt
• Konvertere et rådatasæt til en handlingsmæssig form for at løse et konkret problem
• Anvende grundlæggende datastrukturer og algoritmer til at manipulere data
• Relatere tilgængelige problemer og data i en mobilitets-/​forretningsanalysekontekst med teknikker til at løse dem
• Udtrække og analysere indsigter fra anvendelsen af metoder til beskrivende og prædiktive analyser
• Visualisere komplekse tidsmæssige og rumlige mønstre
• Argumentere for valget af hensigtsmæssige algoritmer til dataanalyse og forudsigelsesanalyser
• At træne og teste en statistisk model på passende vis for at besvare et problem
• Kritisk vurdere resultaterne af en datavidenskabelig analyse og anbefalede handlinger
• Forklare vigtige begreber inden for datamining, f.eks. overfitting, bias, regularisering osv.

Undervisningen foregår på en interaktiv måde med teoretiske dele, der kombineres med øvelse i brugen af Jupyter Notebooks.

De vigtigste emner er: Introduktion til Python-programmering og Pandas, datavisualisering, prognose- og regressionsmodeller, klassifikation, clustering, dimensionalitetsreduktion. Metoderne vil blive eksemplificeret gennem forskellige cases inden for f.eks. transport, ledelse og markedsføring. Hver forelæsning har sine egne anbefalede tekster, som vil være offentlig tilgængelige online. For den studerende, der er interesseret i at følge en bog, anbefaler vi "The elements of statistical learning", Trevor Hastie, Robert Tibshirani og Jerome H. Friedman "Python for Data Analysis", Wes McKinney 06. juli, 2022