INN358 Maskinlæring med diskrete hendelsesstrømdata
English course information
Søk etter andre emner
Velg annet år
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)
(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: :