Detaljer om emnet INN355

INN355 Maskinlæring for optimalisering av forretningsprosesser

English course Information

Søk etter andre emner

Viser emnet slik det undervises i studieåret med start i 2019 .

Emneansvarlige: Joachim Scholderer
Medvirkende: Mike Riess
Studiepoeng: 10
Ansvarlig fakultet: Handelshøyskolen
Frekvens: Årlig
Undervises på språk: EN
(NO=norsk, EN=Engelsk)
Undervises i periode:
Emnet starter i vårparallellen. Emnet har undervisning/vurdering i vårparallellen.
Første gang: Studieår 2017-2018
Emnets innhold:

Digitalisering og prosessautomatisering er sentrale elementer i Industri 4.0. Maskinlæring spiller en fremtredende rolle i dette: som algoritmisk og statistisk "verktøykasse" for automatisering og datastyrt optimalisering av forretningsprosesser. Kurset har to mål. Første målet er å introdusere deltakere til maskinlæringsmetodikkene og datavitenskapsverktøyene som er sentrale i forretningsapplikasjoner:

  • Datavisualisering og rapportgenerering (dimensjonsreduksjon, visualiseringsteknikker, dashboard design),
  • Prediksjonsanalyse (regulariseringsteknikker, nærmeste naboer, beslutningstrær, ensemblemetoder som bagging og boosting),
  • Prosessanalyse (time-to-event modellering, statistisk prosesskontroll, avviksdeteksjon, prosess mining)
  • Modellvurdering og modellvalg (bias-varians avvegning, partisjonering og kryssvalidering, beslutningsteori, kostnadssensitiv læring).

Den største risiko i maskinlæringsprosjekter er en frakobling mellom datavitenskapens ordnede verden og den rotete virkeligheten av forretningsprosesser. Derfor er det andre målet å dyrke deltakernes evne til å håndtere maskinlæringsprosjekter i ekte forretningskontekster:

  • Kravbehandling (strategisk og operativ kontekst, samarbeid med prosjektinteressenter, framkalling og spesifikasjon av krav, livssyklusstyring),
  • Datahåndtering (virksomhetsarkitektur, databeskyttelse og informasjonssikkerhet, datahåndteringsplaner, datakvalitet, egenskapsuttrekking),
  • Modellimplementering (implementering, ytelsesbehandling, feilsøking, oppdatering).

Praktisk arbeid med virkelige case er en viktig del av kurset. Deltakerne vil jobbe i grupper på to casekonkurranser, organisert i samarbeid med lokale og internasjonale bedrifter.

Læringsutbytte:

Kunnskaper:

  • Forstå viktige maskinlæringsteknikker
  • Vite hvordan du kan utnytte disse teknikkene for å automatisere beslutninger og optimalisere forretningsprosesser
  • Vite hvordan du bygger modeller for klassifisering, prediksjon og avvikdeteksjon
  • Kunne velge den beste modellen blant flere konkurrerende modeller
  • Vite hvordan du implementerer maskinlæringsmodeller i typiske forretningsprosesser

Ferdigheter:

  • Kunne bruke verktøy som Tableau og Power BI til å utvikle dashboards og rapporteringssystemer
  • Kunne bruke plattformer som SAS Enterprise Miner og Celonis til å bygge modeller for klassifisering, prediksjon og avviksdeteksjon

Generell kompetanse:

  • Kunne styre prosessautomatiseringsprosjekter i forretningskontekster
  • Forstå behovet for å justere modellimplementering med datahåndtering og forretningsarkitektur
  • Kunne arbeide i tverrfunksjonelle prosjektstrukturer
  • Forstå og håndtere etiske og regulatoriske problemer i digitale forretningskontekster
Læringsaktiviteter:
Forelesninger, workshops under veiledning, flipped-classroom-aktiviteter, oppgaver og selvstendig gruppearbeid relatert til casekonkurransene.
Pensum:

Hastie, T., Tibshirani, R. & Friedman, J. (2008). The elements of statistical learning: Data mining, inference and prediction (2nd Ed.). Berlin: Springer. (E-book download and companion website: http://www-stat.stanford.edu/~tibs/ElemStatLearn/)

Van der Aalst, W. (2016). Process mining: Data science in action (2nd Ed.). Berlin: Springer.

I tillegg vil pensum inkludere et utvalg av journalartikler og casestudier. Verktøyorienterte deler av kurset vil bli støttet av online tutorials. Detaljer vil bli annonsert på Canvas i begynnelsen av semesteret.

Forutsatte forkunnskaper:
STAT100 Statistikk eller tilsvarende
Anbefalte forkunnskaper:

MATH100 Brukerkurs i matematikk

STAT200 Regresjon eller ECN201 Økonometri

Obligatorisk aktivitet:
-
Vurderingsordning:
To prosjektoppgaver (vekt: 50% hver), utført i grupper på fire deltakere, relatert til casekonkurransene. Ingen kontinuasjonseksamen blir arrangert i dette faget.
Sensor:
Ekstern sensor kvalitetssikrer pensum, eksamensoppgaver og prinsipper for evaluering og besvarelser.
Merknader:
Emnet vil blir undervist på engelsk. Innvekslingsstudenter kan ta kontakt med studieveiledere ved Handelshøyskolen (studieveileder-hh@nmbu.no) for å få vurdert om de kan få plass på emnet.
Normert arbeidsmengde:
300 timer. Dette er et veldig arbeidsintensivt emne.
Opptakskrav:
Tredje studieår (på bachelor) eller høyere
Overlapp:
DAT200 Anvendt maskinlæring (studiepoengsreduksjon: 5 ECTS)
Undervisningstid:
Fire forelesningstimer per uke (februar-mai). I tillegg intensivt casearbeid i prosjektgrupper.
Eksamensdetaljer: Langsgående vurdering: A - E / Ikke bestått