Verziók
Szak: Master of Business Administration MSc 2019/20/1 félévtől
Tantárgy szerepe: Kötelező
Ajánlott félév: 3
Célkitűzések
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. 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.
Tanulmányi eredmények
Tudás
- Ismeri az üzleti célú adatelemzés legfontosabb feladatait, az ezekben meghatározó szakterületeket és használható eszközöket.
- Ismeri az adatelemzés fő feladataihoz szükséges lépések technikai részleteit (adatok gyűjtése, adatelőkészítés, modellezés, kiértékelés, alkalmazás).
- Ismeri az adattudomány legfontosabb elméleti modelljeit, algoritmusait, a felügyelt és felügyelet nélküli gépi tanulás alapvető paradigmáit.
- Ismeri az adatvizualizáció alapvető eszközeit és módszereit.
- Tisztában van az adat-vezérelt döntéstámogató eszközök alapvető működésével.
- Ismeri az adattudomány, adatelemzés és adatvizualizáció legfontosabb üzleti alkalmazásait, különös tekintettel az üzleti intelligencia területére.
- Ismeri az adatelemzés szakterületeinek tanulási, ismeretszerzési, adatgyűjtési módszereit, azok etikai korlátait és problémamegoldó technikáit.
Képesség
- Képes arra, hogy üzleti problémát azonosítson, amire adattudományi, vagy gépi tanulási megoldások adhatók.
- Ezeket a lehetséges megoldásokat képes prototipizálni, eredményeit vizualizálni, és azonosított üzleti érték alapján döntést hozni a további elemzés lehetőségeiről.
- 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.
- Képes a gazdasági folyamatok, szervezeti események komplex következményeinek adat alapú meghatá-rozására.
- Alkalmazni tudja az adatelemzési problémák megoldásának technikáit, ezek alkalmazási feltételeire és korlátaira tekintettel.
Attitűd
- Képes az adatelemzési munkafolyamat egyes fázisaiban szükséges szakértőkkel való együttműködésre.
- Folyamatos ismeretszerzéssel bővíteni képes adatelemzési tudását.
- Nyitott az információtechnológiai eszközök használatára.
- Problémaérzékeny, proaktív magatartás az adatelemzés minden fázisában.
- Törekszik a pontos és hibamentes feladatmegoldásra.
Önállóság és felelősség
- Alkalmas önálló munkavégzésre (módszertan, technika kiválasztása; a munka szervezése, tervezése, irá-nyítása; az adatok gyűjtése, rendszerezése, elemzése, értékelése; általános és szakmai fejlődése).
- Gondolkozásában a rendszerelvű megközelítést alkalmazza.
- Az elemzésekért, következtetéseiért és döntéseiért felelősséget vállal.
- Projektek, csoportmunkák, szervezeti egységek tagjaként a rá eső feladatokat önállóan, felelősséggel végzi.
Oktatásmódszertan
Előadások, számítási gyakorlatok, kommunikáció írásban és szóban, IT eszközök és technikák használata, opcionális önállóan és csoportmunkában készített feladatok, munkaszervezési technikák.
Tanulástámogató anyagok
- 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 Ma-nagement, 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
Általános szabályok
A 2.2. pontban megfogalmazott tanulási eredmények értékelése vizsgával, vagy fakultatív szorgalmi időszak során elvégzett teljesítmény-értékelés formájában történik.
Teljesítményértékelési módszerek
A. Szorgalmi időszakban végzett fakultatív teljesítményértékelés két részből áll, amely alapján a vizsgajegy megajánlásra kerül, de ez a vizsgára bocsátásnak nem feltétele: 1. Összegző egyéni feladat: A félév során a tananyag elsajátítását egyéni dolgozattal ellenőrizzük. Ez egy önállóan kidolgozandó, elméleti ismereteket ellenőrző tesztből és rövid feladatmegoldásokból álló anyag. Ennek a kritériumnak legalább 40%-át el kell érni a vizsga megajánláshoz. 2. Projektfeladat: Az önálló feladat mellett 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. B. A vizsgaidőszakban: a tantárgy félévközi érdemjeggyel zárul
Szorgalmi időszakban végzett teljesítményértékelések részaránya a minősítésben
- 1. összegző tanulmányi teljesítményértékelés : 50%
- 2. Félév végi értékelés (projektfeladat): 50%
- összesen: 100%
Vizsgaelemek részaránya a minősítésben
- :
Érdemjegy-megállapítás
% | |
---|---|
Jeles | 90-100 |
Jeles | 85–90 |
Jó | 70–85 |
Közepes | 55–70 |
Elégséges | 40–55 |
Elégtelen | 40 |
Javítás és pótlás
A félév közi teljesítményértékelések javítására/pótlására a TVSZ rendelkezései szerint van lehetőség.
A tantárgy elvégzéséhez szükséges tanulmányi munka
Munka jellege | Munkaórák száma |
---|---|
részvétel a kontakt tanórákon | 12×2=24 |
félévközi készülés a gyakorlatokra | 21 |
felkészülés a teljesítményértékelésekre | 45 |
projektfeladat elkészítése | 60 |
összesen | 150 |
A tantárgykövetelmények jóváhagyása és érvényessége
A Kari Hallgatói Képviselet véleményezése után jóváhagyta dr. Lógó Emma oktatási dékánhelyettes ………án, érvényes ………-tól.
A félévben sorra vett témák
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.
Előadások témái | |
---|---|
1. | Adattudományi bevezetés: Történet, fogalmak, célok, kompetencia területek, eszközök, alkalmazási területek |
2. | Adatfeltárás, adatelőkészítés |
3. | Adatvizualizáció és egyszerű elemzések |
4. | Adatvizualizáció II. |
5. | Felügyelt gépi tanulási eljárások |
6. | Felügyelt gépi tanulási eljárások II |
7. | Modellek kiértékelése |
8. | Felügyelet nélküli gépi tanulási eljárások |
9. | Felügyelet nélküli gépi tanulási eljárások II. |
10. | Modellek gyakorlati átültetése, etikai dilemmák |
11. | Esettanulmány 1 (ügyfélanalitika) |
12. | Esettanulmány 2 (üzleti intelligencia) |
További oktatók
Név | Beosztás | Elérhetőség |
---|---|---|
Molontay Roland | tudományos segédmunkatárs | molontay.roland@gtk.bme.hu |
Nagy Marcell | doktorandusz | marcessz@math.bme.hu |
Hámornik Balázs | egyetemi adjunktus | hamornik@erg.bme.hu |
A tantárgykövetelmények jóváhagyása és érvényessége
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.