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. der kræves 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 transport.

Kurset omfatter også en introduktion til databehandling, problemformulering og den grundlæggende pakke af maskinlæringsalgoritmer. 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.

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 og ledelse.

Introduktion til Python-programmering og Pandas som supplerende materiale (krav til kurset/selvstudium) 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 18. august, 2025