Enkeltfag Engelsk 5 ECTS

Introduktion til Business Analytics

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 opbygge forudsigelsesmodeller ved hjælp af maskinlæring (prædiktiv analyse), som kan bruges til at opnå indsigt og understøtte beslutninger (præskriptiv analyse). Kurset er designet 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, logistik og virksomhedsanalyse. Derfor indeholder kurset en stærk praktisk komponent med konkrete cases fra den virkelige verden, primært inden for mobilitet og transport.

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

See course description in English

Designe og implementere Python-baserede dataanalyse-workflows med fokus på reproducerbarhed og effektivitet
Formulere og operationalisere forretningsrelaterede problemstillinger som datadrevne analytiske opgaver
Udvælge og anvende relevante datastrukturer, algoritmer og analytiske metoder til at adressere komplekse forretningsproblemstillinger
Analysere, fortolke og syntetisere resultater fra deskriptive og prædiktive modeller til handlingsorienterede forretningsindsigter og anbefalinger
Udvikle og evaluere visualiseringer, der afdækker komplekse temporale og spatiale mønstre til brug for beslutningstagning
Designe, træne og validere statistiske modeller og machine learning-modeller ved anvendelse af relevante evalueringsstrategier
Kritisk vurdere data science-metoder, modelperformance og underliggende antagelser, herunder bias, varians og overfitting
Forklare og kritisk reflektere over centrale begreber inden for data mining og machine learning i praktiske og forretningsmæssige kontekster

Undervisningen foregår på en interaktiv måde, hvor teoretiske elementer kombineres med praktisk arbejde ved brug af Jupyter Notebooks.

Hovedemnerne er datavisualisering, prognose- og regressionsmodeller, klassifikation, clustering, dimensionalitetsreduktion og tidsserieanalyse. Metoderne vil blive eksemplificeret gennem forskellige cases, f.eks. inden for transport og ledelse.

Introduktion til Python-programmering og Pandas som supplerende materiale (krav til kurset/selvstudium)

02402/02403/02105, Indledende kurser i statistik er meget vigtige.

Forelæsninger og praktiske laboratorier (f.eks. med iPython notesbog).