Course code VU-INN280F

VU-INN280F Business analytics III: Innføring i maskinlæring

Emnet kan ha endringer på grunn av koronarestriksjoner. Se Canvas og StudentWeb for info.

English course information

Søk etter andre emner

Velg annet år

Viser emneinfo for studieåret 2021 - 2022.

Emneansvarlige: Joachim Scholderer
Medvirkende: Therese Seljevold
Studiepoeng: 2
Ansvarlig fakultet: Senter for etter- og videreutdanning
Frekvens: Årlig
Undervises på språk: NO
(NO=norsk, EN=Engelsk)
Undervises i periode:
Emnet starter i høstparallellen. Emnet har undervisning og vurdering i høstparallellen.
Første gang: Studieår 2020-2021
Emnets innhold:

Nettkursets tema er hvordan man utnytter enkle maskinlæringsteknikker i bedriftens hverdag:

  • Hvor i bedriften kan man bruke maskinlæring,
  • Hvordan sikrer man at man har de riktige dataene,
  • Hvordan benytter man maskinlæringsteknikker til avviksdeteksjon, kundesegmentering og salgsprognose,
  • Hvordan utnytter man resultatene for å forbedre forretningsbeslutninger.

Kurset retter seg til private og offentlige bedrifter som vil komme godt i gang med sine digitaliseringsinitiativer, ansatte som vil kvalifisere seg opp, og til permitterte og arbeidsledige som vil tilegne seg fremtidsrettede evner og ferdigheter innen effektivisering og digitalisering.

Læringsutbytte:

Kunnskaper

  • Kjenne enkle maskinlæringsteknikker
  • Forstå deres forutsetninger og datakrav
  • Ha oversikt over hvordan maskinlæringsmodeller kan brukes for å effektivisere forretningsprosesser

Ferdigheter

  • Kunne utføre enkle analyser med hjelp av maskinlæringsteknikker

Generell kompetanse

  • Kunne arbeide tverrfunksjonelt med bedriftsøkonomi og IKT
  • Kunne bidra konstruktivt i digitalisering- og effektiviseringsprosjekter 
Læringsaktiviteter:
Videoforelesninger, øvinger med data og programvare, selvstendig arbeid med to prosjektoppgaver
Læringsstøtte:
Canvas og prosjektveiledning
Pensum:
  • Olsen, K. A. (2019). God digitalisering. Oslo: Cappelen Damm.
  • Utvalgte tidsskriftartikler og bokkapitler
Forutsatte forkunnskaper:
Grunnleggende kunnskaper i statistikk og dataanalyse
Anbefalte forkunnskaper:
Grunnleggende programmeringsevner
Vurderingsordning:
Mappevurdering, bestående av to prosjektoppgaver (vekt: 50% hver): Bestått/ikke bestått
Sensor:
Ekstern sensor kvalitetssikrer pensum, eksamensoppgaver og prinsipper for evaluering og besvarelser
Normert arbeidsmengde:
50 timer
Opptakskrav:
Generell studiekompetanse (GSK)
Overlapp:
DAT200 (2 stp), INN355 (2 stp)
Undervisningstid:
  • Videoforelesninger: 5 timer
  • Øvinger med data og programvare: 5 timer
  • Prosjektoppgaver: 25 timer
  • Selvstudium/pensumlitteratur: 15 timer
Eksamensdetaljer: Mappevurdering: Bestått / Ikke bestått