ADATELEMZÉS - BMEGT20MN49

A kurzus célja, hogy a hallgatók képesek legyenek azon üzleti problémák azonosítására, amelyekben az adatelemzési, vagy adattudományi módszerek alkalmazhatók és ezek prototipizálásával a benne rejlő üzleti előny alátámasztását, kommunikációját is elvégzik. A kurzus gazdasági döntéseket megalapozandó adatelemzési módszerek elméleti és gyakorlati alapjaival ismerteti meg a hallgatókat. Fontos célkitűzés továbbá az adattudomány megfelelő mikro- és makrogazdasági alkalmazásainak tárgyalása. A tárgy a vizsgált jelenségek elemzéséhez és előrejelzéséhez nyújt kvantitatív ismereteket. A szükséges elméleti ismeretek átadása mellett a tárgy elsősorban a gyakorlati feladatok megoldására, a gyakorlati alkalmazás kérdéseire, az adatelemző gondolkodásmód, szemléletmód kialakítására helyezi a hangsúlyt.

1. Ismeri az üzleti célú adatelemzés legfontosabb feladatait, az ezekben meghatározó szakterületeket és használható eszközöket
2. Ismeri az adatelemzés fő feladataihoz szükséges lépések technikai részleteit (adatok gyűjtése, adatelőkészítés, modellezés, kiértékelés, alkalmazás)
3. Ismeri az adattudomány legfontosabb elméleti modelljeit, algoritmusait, a felügyelt és felügyelet nélküli gépi tanulás alapvető paradigmáit.
4. Ismeri az adatvizualizáció alapvető eszközeit és módszereit.
5. Tisztában van az adat-vezérelt döntéstámogató eszközök alapvető működésével.
6. Ismeri az adattudomány, adatelemzés és adatvizualizáció mikro- és makrogazdasági legfontosabb alkalmazásait különös tekintettel az üzleti intelligencia területére
7. Ismeri az adatelemzés szakterületeinek tanulási, ismeretszerzési, adatgyűjtési módszereit, azok etikai korlátait és problémamegoldó technikáit.

1. Képes arra, hogy üzleti problémát azonosítson, amire adattudományi, vagy gépi tanulási megoldások adhatók
2. Ezeket a lehetséges megoldásokat képes prototipizálni, eredményeit vizualizálni, és azonosított az üzleti értéket alapján döntést hozni a további elemzés lehetőségeiről.
3. A tanult elméletek és módszerek alkalmazásával tényeket és alapvető összefüggéseket tár fel, rendszerez és elemez, önálló következtetéseket, kritikai észrevételeket fogalmaz meg, döntés-előkészítő javaslatokat készít, döntéseket hoz rutin- és részben ismeretlen - hazai, illetve nemzetközi - környezetben is.
4. Képes a gazdasági folyamatok, szervezeti események komplex következményeinek meghatározására.
5. Alkalmazni tudja az adatelemzési problémák megoldásának technikáit, a probléma megoldási módszereket, ezek alkalmazási feltételeire és korlátaira tekintettel.

1. Együttműködik az ismeretek bővítése során az oktatóval és hallgató társaival.
2. Folyamatos ismeretszerzéssel bővíti tudását.
3. Nyitott az információtechnológiai eszközök használatára.
4. A minőségi munkavégzés érdekében problémaérzékeny, proaktív magatartást tanúsít, projektben, csoportos feladatvégzés esetén konstruktív, együttműködő, kezdeményező.
5. Törekszik a pontos és hibamentes feladatmegoldásra.

1. Alkalmas önálló munkavégzésre (módszertan, technika kiválasztása; a munka szervezése, tervezése, irányítása; az adatok gyűjtése, rendszerezése, elemzése, értékelése; általános és szakmai fejlődése).
2. Gondolkozásában a rendszerelvű megközelítést alkalmazza
3. Az elemzésekért, következtetéseiért és döntéseiért felelősséget vállal.
4. Projektek, csoportmunkák, szervezeti egységek tagjaként a rá eső feladatokat önállóan, felelősséggel végzi.

Előadások, számítási gyakorlatok, kommunikáció írásban és szóban, IT eszközök és technikák használata, opcionális önállóan és csoportmunkában készített feladatok, munkaszervezési technikák.

• Carlo Vercellis: Business Intelligence : Data Mining and Optimization for Decision Making, 2009 John Wiley & Sons
• Olivia Parr Rud: Data Mining Cookbook: Modeling Data for Marketing, Risk and Customer Relationship Management, Wiley
• Gábor Békés, Gábor Kézdi: Data Analysis: Patterns, Prediction and Causality, Cambridge University Press
• Fogarassyné Vathy Ágnes, Starkné Werner Ágnes: Intelligens adatelemzés. ( 2011). Typotex Kiadó
• Dr. Kovács László: Adatelemzési technikák és eszközök (2011) Nemzeti Tankönyvkiadó
• Christoph Molnar (2019) Interpretable Machine Learning. Leanpub
• Thomas Dinsmore (2016) Disruptive Analytics: Charting Your Strategy for Next-Generation Business Analytics
• Matthew North (2019) Data Mining for the Masses, Third Edition: With Implementations in RapidMiner and R
• Vijay Kotu (2018) Data Science: Concepts and Practice
• Cole Nussbaumer Knaflic (2015) Storytelling with data
• Edward Tufte (2007) The visual Dispaly of Quantitative Information
• Scott Berinato (2016) Good Charts

A 2.2. pontban megfogalmazott tanulási eredmények értékelése egy évközi írásbeli teljesítménymérés (összegző tanulmányi teljesítményértékelés), és fakultatív részteljesítmény-értékelés (aktív részvétel) formájában történik

1. Összegző tanulmányi teljesítményértékelés: A félév során a tananyag elsajátítását zárthelyi dolgozattal ellenőrizzük. A zárthelyi elméleti ismereteket ellenőrző tesztekből és feladatmegoldásokból áll. Az aláírás és a jegy megszerzéséhez a zárthelyin legalább a pontok 50%-át el kell érni. 2. Projektfeladat: A félév után a gyakorlati ismeretek elsajátításának ellenőrzésére olyan projektfeladat szolgál amely az összes érintett téma felhasználását igényli. A hallgatók kis csoportban egy kiválasztott adathalmazon végeznek önálló elemző munkát a probléma azonosításától a prototipizált üzleti érték vizualizálásig bezárólag lefedve a tananyagot. A projektfeladat dokumentációjának része az adat, a végzett műveletek, a kapott eredmények, következtetések és vizualizációk (pl. dashboard amely ezt mutatja be). A félév végi értékelés ennek a dokumentációnak a bemutatása.

• 1. összegző tanulmányi teljesítményértékelés : 50%
• 2. Félév végi értékelés (projektfeladat): 50%
• összesen: 100%+

• :

1. Az évközi teljesítményértékelésnél minimum a pontok 50%-át el kell érni. A zárhelyi a pótlási héten meghirdetett időpontban pótolható/javítható. Javítás esetén a pótzárthelyin elért eredmény számít bele a végeredménybe. Azon hallgatók, akik a pótzh után sem érik el a zárthelyi minimális szintjét, a pótlási héten újból megkísérelhetik a zárthelyi dolgozat teljesítését, különeljárási díj megfizetése mellett. Ezt követően a félév során az aláírás megszerzésére további lehetőség nincs.

A Kari Hallgatói Képviselet véleményezése után jóváhagyta dr. Lógó Emma oktatási dékánhelyettes 20... ………….n, érvényes 20... ………………-től.

A 2.2. pontban megfogalmazott tanulási eredmények eléréséhez a tantárgy a következő tematikai blokkokból áll. Az egyes félévekben meghirdetett kurzusok sillabuszaiban e témaelemeket ütemezzük a naptári és egyéb adottságok szerint.

A Tantárgyi adatlap I. és II. részén túli III. részét az érintett szak(ok) szakfelelőse(i)vel való egyeztetés alapján az 1.8. pontban megjelölt Menedzsment és Vállalkozásgazdaságtan Tanszék vezetője hagyja jóvá.