VU-INN280F Business analytics III: Innføring i maskinlæring
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)
(NO=norsk, EN=Engelsk)
Undervises i periode:
Emnet starter i høstparallellen. Emnet har undervisning og vurdering i høstparallellen.
Første gang: Studieår 2020-2021
Siste gang: 2021H
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: :