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.

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 til å bygge modeller for klassifisering, prediksjon og avvikdeteksjon.

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

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/)

Davenport, T. H., & Harris, J. G. (2017). Competing on analytics: The new science of winning (2nd Ed.). Boston, MA: Harvard Business School Publishing.

Valacich, J. S., & George, J. F. (2015). Modern systems analysis and design (8th Ed.). London: Pearson.

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.

MATH100 Brukerkurs i matematikk

STAT200 Regresjon eller ECN201 Økonometri