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 2020 .

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, 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 et semester-langt caseprosjekt, 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.

Ferdigheter:

  • Kunne bruke plattformer som SAS Enterprise Miner og Celonis til å bygge modeller for klassifisering, prediksjon og avviksdeteksjon,
  • Kunne implementere maskinlæringsmodeller i typiske forretningsprosesser.

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 caseprosjektet.
Pensum:

Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of statistical learning: Data mining, inference and prediction (2nd Ed.). Berlin: Springer. 

Tutz, G., & Schmid, M. (2016). Modeling discrete time-to-event data. Cham: Springer.

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:
MATH100 Brukerkurs i matematikk eller ECN102 Innføring i matematikk for økonomer; STAT100 Statistikk; BUS350 Introduksjon til data analytics eller INF230 Datahåndtering og analyse; STAT200 Regresjon eller ECN201 Økonometri eller BUS326 Anvendt finansiell økonometri; INN350 Digitalisering og kontroll av forretningsprosesser
Anbefalte forkunnskaper:
INF120 Programmering og databehandling; MATH131 Lineær algebra eller ECN302 Matematikk for økonomer; BUS230 Operasjonsanalyse; BUS240 Vareproduksjon og logistikk eller IND210 Driftsledelse 
Obligatorisk aktivitet:
-
Vurderingsordning:
Mappeeksamen, bestående av en prosjektoppgave utført i grupper på fire deltakere (vekt: 60%) og to individuelle en-times flervalgsprøver (vekt: 20% hver). Ingen kontinuasjonseksamen blir arrangert i dette faget.
Sensor:
Ekstern sensor kvalitetssikrer pensum, eksamensoppgaver og prinsipper for evaluering og besvarelser.
Merknader:
Emnet 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
Undervisningstid:
Fire forelesningstimer per uke (februar-mai). I tillegg intensivt casearbeid i prosjektgrupper.
Eksamensdetaljer: Langsgående vurdering: A - E / Ikke bestått