DS810: Data Driven Decision Making

Studerende der følger kurset forventes at: 

Parallelt med dette kursus at følge et kursus i grundlæggende indledende statistik, eller have forudgående kendskab til emnet. Forudgående kendskab til bestemte softwarepakker er ikke en forudsætning for at følge kurset. 

• Virksomheder kan forudsige fremtidige salgsresultater ved at kombinere deres kunders præferenceprofiler med websteds-klikstrømsdata, interaktioner på sociale netværk og placeringdata.
• Finansielle institutioner udnytter nu transaktionsdata kombineret med kunstig intelligensmodeller til at opdage bedragerisk aktivitet i realtid, hvilket signifikant reducerer virkningen af økonomisk svindel på forbrugere og banksektoren.
• Fremstillingsvirksomheder implementerer forudsigende vedligeholdelsesstrategier ved hjælp af maskinlæring og IoT-data, hvilket minimerer nedetid og forlænger levetiden for maskiner og udstyr.
• Akutafdelingslæger kan reducere tiden til indledende behandling og dermed patientmortalitet ved at fusionere aggregatpatienthistorier med resultaterne af opdaterede laboratorietest.
• Energifirmaer anvender forudsigende analytik til at forudsige efterspørgsel og håndtere vedvarende energikilder mere effektivt, hvilket bidrager til en mere bæredygtig og pålidelig energiforsyning.
• Med udviklingen af elektroniske sundhedsjournaler, fjernbehandling og evnen til at dele data online har vi en række nye sundhedsløsninger til rådighed. Brugen af mobilteknologier til at indsamle og distribuere information kan hjælpe betydeligt med forebyggelse og behandling af sygdomme.

• Kompetent anvende maskinlæring til at løse problemer baseret på data.
• Udføre tydeligt formuleret og informeret beslutningstagning baseret på data-drevet analyse.
• Beregne og drøfte alle faser i arbejdet med data samt specifikke metoder til generering, bearbejdning/analyse og træffe informerede beslutninger på grundlag af data. Studerende bør være i stand til at generere klare og håndterbare ledelses-/politikimplikationer på grundlag af disse tre faser.
• Identificere og vurdere dataressourcer relevante inden for samfundsvidenskaberne.
• Disse evner vil blive dokumenteret gennem arbejdet med en specifik case study, som vil inkludere: a) Udvælgelse og anvendelse af specifikke metoder relevante for en bestemt case study; b) Adgang til relevante datakilder og analyse af dem; c) Klart at skitsere de akademiske og ledelsesmæssige implikationer ved at arbejde med de specifikke metoder til et akademisk og et praktikerpublikum.

I løbet af kurset kombinerer studerende teoretisk viden med omfattende projektarbejde, hvor de får praktisk erfaring med at få adgang til og arbejde med data. Kurset har to hovedområder:

• Dataanalyse: Metoder til at bearbejde, analysere og visualisere data
• Beslutningstagning: Metoder til at træffe informerede beslutninger baseret på dataanalyse

• James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J. (2021, 2nd edition). Introduction. In: An Introduction to Statistical Learning. Springer Texts in Statistics. Springer, Cham. (can be downloaded free of charge from the SDU Library)
• Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Antal undervisningstimer i alt: 45 

Heraf: 

Fællestimer i klasselokale/auditorium: 45  

Både forelæsninger og øvelser er fokuseret på anvendelsen af teknikker til samtidig programmering på konkrete problemer. Forskellen ligger i undervisningsmetoden. I forelæsninger vil læringen blive styret af diskussioner ledet af læreren, mens studerende i øvelserne først skal forsøge at anvende koncepter selv. Det forventes, at aktiviteter i klassen vil være fordelt omtrent ligeligt mellem forelæsninger og øvelser.

Andre planlagte undervisningsaktiviteter:  

• Læsning af kursusmateriale
• Refleksion over metoder og teoretiske koncepter
• Blive fortrolig med programmeringssproget R
• Bruge R til at få og forberede data til analyse
• Bruge R til at analysere data