English   Danish

2022/2023  DIP-D1FMV5012U  Business Intelligence II

English Title
Business Intelligence II

Kursusinformation
Sprog Dansk
Kursets ECTS 5 ECTS
Type Valgfag
Niveau Diplom
Varighed Et semester
Starttidspunkt Forår, Efterår
Tidspunkt Skemaet bliver offentliggjort på calendar.cbs.dk
Studienævn
Studienævnet for HD (1. del)
Kursusansvarlig
  • Mads Stenbo Nielsen - Institut for Finansiering (FI)
Primære fagområder
  • Statistik og kvantitative metoder/Statistics and quantitative methods
Undervisningsformer
  • Blended learning
Sidst opdateret den 23-03-2022

Relevante links
Læringsmål
Med udgangspunkt i fagets pensum skal den studerende kunne:
  • Korrekt og præcist anvende Machine Learning-metoder til at analysere erhvervs- og samfundsøkonomiske problemstillinger.
  • Tydeligt identificere og afgrænse relevante Machine Learning-metoder til brug for en given problemstilling.
  • Detaljeret redegøre for forudsætninger og idéer bag en given Machine Learning-metode.
  • Drage klare og relevante konklusioner på baggrund af en udført Machine Learning-analyse.
  • Præcist vurdere en Machine Learning-analyses følsomhed overfor ændringer i metodevalg og/eller datamateriale.
  • Systematisk og sammenhængende sammenfatte resultater af en Machine Learning-analyse på en måde, der demonstrerer overblik, indsigt og forståelse for analysens erhvervs- og samfundsøkonomiske anvendelse.
Forudsætninger for at deltage i kurset
Det anbefales, at du har kendskab til det obligatoriske fag Business Intelligence for at få det fulde udbytte af undervisningen. Studieadministrationen vejleder ikke i forhold til, om du kan følge Business Intelligence II uden at have bestået Business Intelligence.
Prøve/delprøver
Business Intelligence II:
Prøvens ECTS 5
Prøveform Mundtlig stedprøve
Individuel eller gruppeprøve Individuel prøve
Varighed 20 min. pr. studerende, inkl. votering, karaktergivning og begrundelse
Forberedelse Uden forberedelse
Bedømmelsesform 7-trins-skala
Bedømmer(e) Eksaminator og bi-eksaminator
Eksamensperiode Forår og Efterår
Syge-/omprøve
Samme prøveform som ved ordinær prøve
Beskrivelse af eksamensforløbet

Mundtlig eksamen baseret på eksamensspørgsmål, der tager udgangspunkt i en konkret eksamenscase. Eksamenscase, summarisk caseløsning samt eksamensspørgsmål udleveres ca. en uge før eksamen. Den mundtlige eksamen omfatter gennemgang af udvalgte eksamensspørgsmål (trækkes ved eksamen) samt evt. spørgsmål til det øvrige kursuspensum. Den studerende kan til støtte for sin eksamenspræstation medbringe sin egen caseløsning, hvis indhold ikke indgår i bedømmelsen.
Kursets indhold, forløb og pædagogik

Behandling af store datamaterialer (Big Data), identificering af komplekse underliggende datasammenhænge (Deep Learning) og intelligent og effektiv udnyttelse af data (Business Intelligence) er nøglebegreber i fremtidens informationsdrevne samfund.

 

Faget Business Intelligence II omhandler anvendelse af Machine Learning til analyse af erhvervs- og samfundsøkonomiske problemstillinger med fokus på netop Big Data, Deep Learning og Business Intelligence. Formålet med faget er opnå indsigt i, hvorledes statistisk-funderede computeralgoritmer (Machine Learning) kan bruges til at udlede sammenhænge i datamaterialer, som ikke umiddelbart er mulige at se med det menneskelige øje.

 

Faget introducerer grundlæggende begreber og metoder indenfor Machine Learning med fokus på at opnå praktiske færdigheder i anvendelsen af de gennemgåede teknikker. Faget anvender softwareprogrammet R til de praktiske beregninger. Det matematiske fundament for metoderne er ikke et selvstændigt emne i undervisningen og faget kræver ikke forudgående programmeringserfaring.

 

Gennemgangen af den relevante teori er eksempelbaseret og tager udgangspunkt i konkrete datamaterialer. Igennem faget vil den studerende udvikle viden, færdigheder og kompetencer til at kunne gennemføre en konkret Machine Learning-analyse, herunder forstå og fortolke analysens resultater. Derudover er forståelse af modellernes muligheder og begrænsninger centrale emner i faget.

 

I faget behandles følgende modeller:

logistisk regression

• regulariseret- og splinebaseret regression
• k-nearest neighbor

• decision trees

• random forests

• neural networks

• support vector machines
Beskrivelse af undervisningsformer
Holdundervisning med dialog kombineret med gruppebaserede case-præsentationer.
Feedback i undervisningen
Der gives løbende feedback til de studerende i forbindelse med deres case-præsentationer, som er en integreret del af undervisningen. For yderligere personlig feedback henvises til individuel aftale hos kursets fagansvarlige.
Studenterarbejdstimer
Undervisning 30 timer
Forberedelse, eksamen mv. 108 timer
Sidst opdateret den 23-03-2022