BAN621 - Λήψη αποφάσεων βάσει δεδομένων στις επιχειρήσεις
MSc Business Analytics
Κύριο μάθημα
BAN621 - Λήψη αποφάσεων βάσει δεδομένων στις επιχειρήσεις
Κωδικός Μονάδας Μαθήματος: BAN621
Τύπος μονάδας: Πυρήνας
Επίπεδο Μονάδας Μαθήματος: Μεταπτυχιακά Προγράμματα
Έτος σπουδών: 1
Εξάμηνο: Εξάμηνο 2
Αριθμός μονάδων ECTS: 10
Ώρες επαφής με το μάθημα: 12
Τρόπος παράδοσης:
Εξ Αποστάσεως Προγράμματα
Προαπαιτούμενα
Κανένα
Στόχοι του μαθήματος
Ο αλφαβητισμός δεδομένων είναι μια κρίσιμη δεξιότητα που εκτείνεται πέρα από τους επιστήμονες και τους αναλυτές δεδομένων, περιλαμβάνοντας όλους τους ρόλους σε έναν οργανισμό. Καθώς οι επιχειρήσεις συσσωρεύουν μεγαλύτερους όγκους δεδομένων, καθίσταται επιτακτική ανάγκη
για όλους να είναι σε θέση να κατανοήσουν και να αναλύσουν αποτελεσματικά αυτά τα δεδομένα. Κατά τη διάρκεια αυτού του μαθήματος, θα αποκτήσετε κατανόηση των βασικών αρχών λήψης αποφάσεων βάσει δεδομένων και
να εφαρμόσετε αυτές τις δεξιότητες σε πραγματικά σενάρια στα οικονομικά, το μάρκετινγκ και τις επιχειρήσεις. Χρησιμοποιώντας πλαίσια όπως η προσφορά και η ζήτηση, το κόστος και το όφελος και ο κίνδυνος και οι ανταμοιβές, θα
μάθετε πώς να αντλείτε πολύτιμες πληροφορίες και να αξιοποιείτε ευκαιρίες σε αυτή τη νέα εποχή των δεδομένων, παρέχοντάς σας πρακτικές ικανότητες για να πετύχετε. Σε αυτό το μάθημα, θα εντρυφήσετε στα βασικά στοιχεία της ανάλυσης δεδομένων και στην εφαρμογή της στην επίλυση προβλημάτων για τις επιχειρήσεις. Θα διερευνήσουμε τη σημασία της ανάλυσης δεδομένων στην καθοδήγηση των διαδικασιών λήψης αποφάσεων και θα σας παρουσιάσουμε ένα ολοκληρωμένο πλαίσιο ανάλυσης δεδομένων μαζί με τα ευρέως χρησιμοποιούμενα εργαλεία. Επιπλέον, θα συζητήσουμε τις ποικίλες διαδρομές καριέρας και τους ρόλους που είναι διαθέσιμοι στο πεδίο της ανάλυσης δεδομένων και της επιστήμης των δεδομένων.
Αυτό το μάθημα θα σας εισαγάγει σε διάφορα εργαλεία ανάλυσης δεδομένων και βασικές τεχνολογίες που χρησιμοποιούνται για την ανάλυση δεδομένων. Δίνοντας έμφαση στη σημασία της οπτικοποίησης δεδομένων στην πρακτική της
ανάλυση δεδομένων, θα προσδιορίσουμε επίσης διάφορα εργαλεία και γλώσσες προγραμματισμού, συζητώντας τις βέλτιστες περιπτώσεις και σενάρια χρήσης τους.
Μαθησιακά αποτελέσματα
1: Θεμελιώδης κατανόηση της μηχανικής μάθησης και της τεχνητής νοημοσύνης στον τομέα της επιχειρηματικής ανάλυσης.
2: Ολοκληρωμένη εξοικείωση με τις πραγματικές πληροφορίες, τις αρχές, τις διαδικασίες και τις θεμελιώδεις έννοιες που σχετίζονται με τα μεγάλα δεδομένα, τη μηχανική μάθηση και τη μάθηση στο πλαίσιο της επιχειρηματικής ανάλυσης.
3: Κατανόηση των διαφόρων τύπων μεθοδολογιών μηχανικής μάθησης με επίβλεψη, της μάθησης χωρίς επίβλεψη και των εφαρμογών τους.
4: Αξιολόγηση και επιλογή κατάλληλων μεθοδολογιών μηχανικής μάθησης για την αντιμετώπιση διαφόρων λύσεων με τη χρήση μεθόδων τεχνητής νοημοσύνης και μεγάλων δεδομένων.
5: Εξοικειωθείτε με τις μεθόδους βαθιάς μάθησης και χρησιμοποιήστε τις για την επίλυση σύνθετων προβλημάτων.
6: Εφαρμογή αλγορίθμων ML για την εξαγωγή σημαντικών πληροφοριών από δεδομένα.
7: Να διαθέτει εκτεταμένη και εξειδικευμένη κατανόηση των πραγματικών και θεωρητικών πτυχών της ML και των μεγάλων δεδομένων στο πλαίσιο της επιχειρηματικής ανάλυσης, έχοντας παράλληλα επίγνωση των περιορισμών και των ορίων αυτών των γνώσεων.
Περιεχόμενο μαθήματος
1η εβδομάδα: Βασικές αρχές των μεγάλων δεδομένων
2η εβδομάδα: Βασικές αρχές της Τεχνητής Νοημοσύνης
3η εβδομάδα: Μηχανική Μάθηση Μέρος 1: βασικές αρχές και παραδείγματα (μάθηση χωρίς επίβλεψη) K-Means clustering
4η εβδομάδα: Μηχανική Μάθηση Μέρος 1: βασικές αρχές και παραδείγματα (μάθηση χωρίς επίβλεψη) Ιεραρχική ομαδοποίηση
5η εβδομάδα: Μηχανική Μάθηση Μέρος 2: βασικές αρχές και παραδείγματα (μάθηση με επίβλεψη)Παλινδρόμηση - Γραμμική Παλινδρόμηση
6η εβδομάδα: Μάθηση μηχανών Μέρος 2: βασικές αρχές και παραδείγματα (επιβλεπόμενη μάθηση)Ταξινόμηση - Δέντρα αποφάσεων
7η εβδομάδα: Μάθηση μηχανών Μέρος 2: βασικές αρχές και παραδείγματα (μάθηση με επίβλεψη)Ταξινόμηση - K - Κοντινότεροι Γείτονες
8η εβδομάδα: Μάθηση μηχανών Μέρος 2: βασικές αρχές και παραδείγματα (μάθηση με επίβλεψη)Ταξινόμηση - Τυχαία δάση
9η εβδομάδα: Μάθηση μηχανών Μέρος 2: βασικές αρχές και παραδείγματα (μάθηση με επίβλεψη)Ταξινόμηση - SVM
10η εβδομάδα: Deep Learning : βασικές αρχές και παραδείγματα μια εισαγωγή
11η εβδομάδα: Deep Learning : βασικές αρχές και παραδείγματα. Νευρωνικά δίκτυα
12η εβδομάδα: Deep Learning : βασικές αρχές και παραδείγματα Deep Networks
Χαρακτηριστικά μαθήματος
Εβδομαδιαίες δραστηριότητες αυτοαξιολόγησης :
Σε εβδομαδιαία βάση, οι μαθητές θα έχουν τη δυνατότητα να συμμετέχουν σε δραστηριότητες αυτοαξιολόγησης για να κρίνουν το επίπεδο κατανόησης των εννοιών που έχουν καλυφθεί μέχρι στιγμής. Οι εβδομαδιαίες δραστηριότητες αυτοαξιολόγησης παρέχουν άμεση ανατροφοδότηση.
Εβδομαδιαίες διαδραστικές δραστηριότητες (20%):
Σε εβδομαδιαία βάση, οι μαθητές θα έχουν τη δυνατότητα να συμμετέχουν σε δραστηριότητες αυτοαξιολόγησης για να κρίνουν το επίπεδο κατανόησης των εννοιών που έχουν καλυφθεί μέχρι στιγμής. Τέτοιες δραστηριότητες περιλαμβάνουν διαδικτυακό κουίζ και ένα διαδικτυακό διαδραστικό περιβάλλον ανάπτυξης για ασκήσεις κώδικα και χειρισμό δεδομένων.
Οι εβδομαδιαίες διαδραστικές δραστηριότητες παρέχουν άμεση ανατροφοδότηση.
Η συμμετοχή σε τέτοιες δραστηριότητες αντιπροσωπεύει το πολύ 20% του τελικού βαθμού.
Έργο (30%)
Θα υπάρξει μια τελική εργασία/έργο που αντιστοιχεί σε 30% του τελικού βαθμού.
Τελική εξέταση (50%):
Στους φοιτητές θα δοθεί μια δήλωση προβλήματος και το αντίστοιχο σύνολο δεδομένων και θα πρέπει να αναπτύξουν μια λύση για το πρόβλημα αυτό χρησιμοποιώντας ένα διαδικτυακό διαδραστικό περιβάλλον ανάπτυξης (Jupyter Notebook).
English (UK) 
Ελληνικά