Course code INN358

INN358 Maskinlæring med diskrete hendelsesstrømdata

English course information

Søk etter andre emner

Viser emneinfo for studieåret 2021 - 2022.

Emneansvarlige: Joachim Scholderer
Medvirkende: Mike Riess
Studiepoeng: 5
Ansvarlig fakultet: Handelshøyskolen
Frekvens: Årlig
Undervises på språk: EN
(NO=norsk, EN=Engelsk)
Begrensning antall plasser:
70
Undervises i periode:
Emnet gis første gang høsten 2022. Emnet starter i høstparallellen. Emnet har undervisning/vurdering i høstparallellen. 
Første gang: Studieår 2021-2022
Fortrinnsrett: <list listType="numbered"><listItem>Studiespesialiseringer som har dette kurset obligatorisk vil ha prioritet: Digital forretningstransformasjon (M-EI), business analytics (M-TDV) og business analytics (M-ØA)</listItem><listItem>Studenter fra datavitenskap (M-DV og M-TDV), entreprenørskap og innovasjon (M-EI), industriell økonomi og teknologiledelse (M-IØ) og økonomi og administrasjon (M-ØA) som har bestått alle nødvendige og anbefalte forutsetningsemner for kurset</listItem></list><p></p>
Emnets innhold:

De fleste standardteknikker innen maskinlæring er rettet mot uavhengige tverrsnittsdata. Diskrete hendelsesstrømdata (f.eks. hendelsesloggdata fra ERP-, CRM- og SCM-systemer) har også en tidsdimensjon, som fører til komplekse avhengighetsstrukturer i dataene. I dette kurset vil deltakerne lære avanserte modellerings- og prediksjonsteknikker som kan håndtere slike data.

  • Avhengighetsstrukturer i diskrete hendelsesstrømdata
  • Preprosessering og egenskapsuttrekking
  • Bruk av standard-maskinlæringsteknikker med aggregerte hendelsesstrømdata
  • Process mining, assosiasjonsregler og link-analyse
  • Time-to-event-modeller
  • Hidden-Markov-modeller
  • Dynamiske Bayesianske nettverk
  • Modellvurdering og modellvalg
  • Implementering i Python, SAS og R

Praktisk arbeid med virkelige case er en viktig del av kurset. Deltakerne vil jobbe i grupper på et semesterlangt caseprosjekt.

Læringsutbytte:

Kunnskaper

  • Forstå avhengighetsstrukturene i diskrete hendelsesstrømdata
  • Forstå de teoretiske grunnlagene for modellerings- og prediksjonsteknikker som kan håndtere diskrete hendelsesstrømdata

Ferdigheter

  • Kunne utføre deskriptive analyser av diskrete hendelsesstrømdata
  • Kunne utvikle prediksjonsmodeller basert på diskrete hendelsesstrømdata
  • Kunne vurdere modeller og velge mellom konkurrende modeller

Generell kompetanse

  • Kunne arbeide i tverrfunksjonelle prosjektstrukturer
  • Kunne bidra konstruktivt i prosessautomatiseringsprosjekter 
Læringsaktiviteter:
Forelesninger, øvinger med data og programvare, case-workshops under veiledning, selvstendig gruppearbeid relatert til prosjektoppgaven
Læringsstøtte:
Canvas, Microsoft Teams
Pensum:
  • Tutz, G., & Schmid, M. (2016). Modeling discrete time-to-event data. Cham: Springer.
  • Utvalgte tidsskriftartikler og bokkapitler
Forutsatte forkunnskaper:
  • DAT200 Anvendt maskinlæring
  • INF230 Datahåndtering og analyse
Anbefalte forkunnskaper:
  • INN265 Analyse av forretningsprosesser
Vurderingsordning:
Mappevurdering, basert på en individuell midtveis-hjemmeeksamen (vekt: 50%) og en prosjektoppgave, utført i grupper på fire deltakere (vekt: 50%). Ingen kontinuasjonseksamen blir arrangert i dette faget.
Sensor:
Ekstern sensor kvalitetssikrer pensum, eksamensoppgaver og prinsipper for evaluering og besvarelser.
Normert arbeidsmengde:
125 timer
Overlapp:
INN355 (5 stp)
Undervisningstid:
  • Forelesninger og case-workshops: 20 timer
  • Øvinger med data og programvare: 5 timer
  • Prosjektoppgave: 50 timer
  • Selvstudium/pensumlitteratur: 50 timer
Eksamensdetaljer: :