Detaljer om emnet INN355

INN355 Maskinlæring for optimalisering av forretningsprosesser

Emnet kan ha endringer på grunn av koronautbruddet. Sjekk Canvas og studentWeb.

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:

Emnet kan ha fått ny eksamensform grunnet virusutbruddet. Sjekk i Canvas.

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