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 2018 .

Emneansvarlige: Joachim Scholderer
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),
  • 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:

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
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/)

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.

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