Overordnede kursusmål
Business Analytics handler om at udforske og analysere data for at
få indsigt i tidligere forretningsresultater med henblik på at
styre den fremtidige forretningsplanlægning.
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
studerende inden for Business Analytics (dvs. en vis
programmeringsbaggrund, men ikke som 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 fra mobilitets- og forretningssammenhænge.
Kurset omfatter også en introduktion til Python-programmering,
databehandling, problemformulering og den grundlæggende pakke af
maskinlæringsalgoritmer.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Kør Python-scripts, der indlæser og analyserer små/mediumstore
datasæt
- Konverter et rå datasæt til en form, der kan bruges til at løse
et konkret problem
- Anvende grundlæggende datastrukturer og algoritmer til at
manipulere data
- Sammenholde tilgængelige problemer og data i en
mobilitets-/forretningsanalytisk kontekst med teknikker til at
løse dem
- Udtrække og analysere indsigt fra anvendelsen af metoder til
beskrivende og prædiktive analyser
- Visualisere og dekonstruere komplekse tidsmæssige og rumlige
mønstre
- Kritisk at vurdere resultaterne af en datavidenskabelig analyse
og anbefale foranstaltninger ud fra et operationelt synspunkt
- Træning og afprøvning af en statistisk model til at besvare et
problem på passende vis
- Forklare vigtige data mining-begreber som f.eks. overfitting,
bias, regularisering osv.
Kursusindhold
Undervisningen foregår på en interaktiv måde med teoretiske dele,
der blandes med praksis med Jupyter Notebooks.
Hovedemnerne er: datavisualisering, prognose- og
regressionsmodeller, klassifikation, clustering og
dimensionalitetsreduktion. Metoderne vil blive eksemplificeret
gennem forskellige cases inden for f.eks. transport, ledelse og
markedsføring.
Introduktion til Python-programmering og Pandas: Supplerende
materiale (krav til kurset/selvstudium)
Litteraturhenvisninger
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
Sidst opdateret
04. maj, 2023