42577 Introduktion til Business Analytics

2024/2025

Kursusinformation
Introduction to Business Analytics
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Generel retningskompetence (MSc), Business Analytics
Generel retningskompetence (MSc), Civil Engineering
Generel retningskompetence (MSc), Transportation and Logistics
Polyteknisk grundlag (MSc), Technology Entreneurship
Retningsspecifikt kursus (MSc), Business Analytics
Retningsspecifikt kursus (MSc), Transport and Logistics
Teknologisk specialisering (MSc), Petroleum Engineering
Teknologisk specialisering (MSc), Technology Entrepreneurship
Teknologisk specialisering (MSc), Transportation and Logistics
Tilvalgskursus (B En), IT og økonomi
Tilvalgskursus (B Eng), Produktion
E1A (man 8-12)
Campus Lyngby
Forelæsninger og praktiske laboratorier (f.eks. med iPython notesbog).
13-uger
Ingen eksamen
Bedømmelse af opgave(r)/rapport(er)
Evalueringen er baseret på to skriftlig prøver (50% af den samlede karakter) og et gruppeprojekt (gruppestørrelse mellem 3-6) med individuel rapport (50% af den samlede karakter). Projektet er opdelt i to dele. Den ene del evalueres ved hjælp af peer grading, mens den anden del evalueres af underviserne.
7-trins skala , ekstern censur
42184. 42585
Programmering i Python. Der skal tages minimum 10 ECTS blandt de 8 programmeringskurser: 02002/​02003/​02105/​02110/​02158/​02393/​02614/​02635.
02402/02403/02105 , Indledende kurser i statistik er meget vigtige.
Filipe Rodrigues , Lyngby Campus, Bygning 358, Tlf. (+45) 4525 6530 , rodr@dtu.dk
Ravi Seshadri , Tlf. (+45) 4525 6583 , ravse@dtu.dk
Guido Cantelmo , Tlf. (+45) 4525 6582 , guica@dtu.dk
42 Institut for Teknologi, Ledelse og Økonomi
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
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 Python programmeringsbaggrund), 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 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, dimensionalitetsreduktion og tidsserieanalyse. Metoderne vil blive eksemplificeret gennem forskellige cases inden for f.eks. transport, ledelse og markedsføring.

Introduktion til Python-programmering og Pandas som 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
02. maj, 2024