Overordnede kursusmål
Business Analytics (BA) handler om at udforske og analysere store
mængder af data for at opnå indsigt i forhenværende
forretningsresultater med henblik på at guide den fremtidige
forretningsplanlægning. Dette kursus introducerer en mængde af
avancerede datacentrerede metoder, som dækker over de tre
specialiseringer i BA: Descriptiv ("hvad skete der?"),
Predictive ("hvad vil ske?"), Og Prescriptive ("hvad
skal ske?"). Metoderne vil blive anvendt på forskellige
business cases med formålet om at demonstrere, hvordan man kan
uddrage forretningsværdier fra data, levere datadrevet
beslutningsstøtte sammen med effektive datastyringsprincipper. På
dette kursus bruges avanceret machine learning-teknikker, af den
grund er forståelsen af data science og machine learning påkrævet,
samt der forventes et godt niveau af programmeringsfærdigheder.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Identificer forretningsmæssige og samfundsmæssige
påvirkningsmuligheder relateret til effektiv dataudnyttelse
- Opsummer de identificerende karakteristika ved avancerede
Machine Learning til descriptive, predictive and prescriptive
analytics
- Vælg og anvend passende ML (regression, classification,
reingorcement learning, clustering) og datastyringsværktøjer
(f.eks. Pandas)
- Udføre små ML eksperimenter og forstå de relaterede
skaleringsprincipper
- Levere datadrevet support til online forretning og
markedsføring
- Anvend en eller flere explainable AI-teknikker (f.eks. SHAP,
Lime) i datadrevne beslutningsrådgivningssituationer
- Forstå de tekniske principper og potentiale i fundamentmodeller
(f.eks. LLM'er)
- Kvantificere usikkerheder i prædiktiv modellering gennem
quantile regression og heteroskedasticitetsmodel
- Forstå og kunne forklare kausale vs korrelationelle sammenhænge
mellem variable
- Kunne give et klart og informativt resumé (executive summary)
til datadrevne analyser og værktøjer, herunder indsigt til
forretningsmæssige og kritiske spørgsmål
Kursusindhold
Klasserne undervises på en interaktiv måde, med teoretiske dele,
kombineret med praktiske øvelser. De praktiske øvelser laves i
Python.
Hovedemnerne afdækket i kurset omfatter web data mining; naturlig
sprogbehandling; anbefalingssystemer; forklarende AI; dyb læring;
forstærkende læring; rumlige-temporelle forudsigelsesmodeller;
ensemble modeller; overlevelsesanalyse; forudsigende usikkerhed og
kausalitet.
Litteraturhenvisninger
Hvert modul svarer til dens egen anbefalede tekster, så det vil
blive fastsat i slutningen af undervisningsnoterne. De
obligatoriske tekster vil blive offentliggjort online.
Sidst opdateret
02. maj, 2024