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 2017 .
Emneansvarlige: Joachim Scholderer
Studiepoeng: 10
Ansvarlig fakultet: Handelshøyskolen
Frekvens: Årlig
Undervises på språk: EN
(NO=norsk, EN=Engelsk)
(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),
- Mønstergjenkjenning (klynger, uteliggerdeteksjon, assosiasjonsregler, data mining av sekvenser og tidsserier),
- Prediksjonsanalyse (regulariseringsteknikker, nærmeste naboer, beslutningstrær, nevrale nettverk, SVM, ensemblemetoder),
- 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:
- 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
- Kunne bruke verktøy som Tableau og Power BI til å utvikle dashboards og rapporteringssystemer
- Kunne bruke plattformer som SAS Enterprise Miner til å bygge modeller for klassifisering, prediksjon og avvikdeteksjon.
- 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).
Davenport, T. H., & Harris, J. G. (2017).
Valacich, J. S., & George, J. F. (2015).
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
Anbefalte forkunnskaper:
MATH100 Brukerkurs i matematikk
STAT200 Regresjon eller ECN201 Økonometri
Obligatorisk aktivitet:
-
Vurderingsordning:
To prosjektoppgaver (vekt: 50% hver), utført i grupper på fire deltakere, relatert til casekonkurransene. Ingen kontinuasjonseksamen blir arrangert i dette faget.
Sensor:
Normert arbeidsmengde:
300 timer
Opptakskrav:
Bachelor eller tilsvarende
Overlapp:
DAT200 Anvendt maskinlæring (studiepoengsreduksjon: 5 ECTS)
Undervisningstid:
Forelesninger: 40 timer. Case workshops og veiledning: 16 timer.
Eksamensdetaljer: Langsgående vurdering: A - E / Ikke bestått