42578 Advanced Business Analytics

2024/2025

Kursusinformation
Advanced Business Analytics
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Generel retningskompetence (MSc), Business Analytics
Retningsspecifikt kursus (MSc), Business Analytics
Retningsspecifikt kursus (MSc), Transport and Logistics
Teknologisk specialisering (MSc), Transportation and Logistics
F3B (fre 13-17)
Campus Lyngby
Forelæsninger, praktisk laboratorieundervisning og online undervisning, dvs self-læring med online materialer (fx med iPython notebook).
13-uger
Bedømmelse af opgave(r)/rapport(er)
Evalueringen består af et gruppeprojekt (med obligatoriske beskrivelse af de individualiserede bidrag og et oplæg). Karakteren er baseret på en samlet bedømmelse af præstationen.
7-trins skala , intern bedømmelse
42577
Francisco Camara Pereira , Lyngby Campus, Bygning 358, Tlf. (+45) 4525 1496 , camara@dtu.dk
Filipe Rodrigues , Lyngby Campus, Bygning 358, Tlf. (+45) 4525 6530 , rodr@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 (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