Kursplan

Data mining and business analytics, 15 högskolepoäng

Data Mining and Business Analytics, 15 Credits

Kurskod: ST112G Högskolepoäng: 15
Huvudområde: Statistik Fördjupning: G1F
    Senast ändrad: 2021-03-04
Utbildningsnivå: Grundnivå Beslutad av: Prefekt
Inrättad: 2021-11-01 Litteraturlista fastställd: 2021-03-04
Giltig fr.o.m.: Höstterminen 2021 Revision: 1

Mål

Mål för utbildning på grundnivå

Utbildning på grundnivå ska utveckla studenternas

  • förmåga att göra självständiga och kritiska bedömningar,
  • förmåga att självständigt urskilja, formulera och lösa problem, och
  • beredskap att möta förändringar i arbetslivet.

Inom det område som utbildningen avser ska studenterna, utöver kunskaper och färdigheter, utveckla förmåga att

  • söka och värdera kunskap på vetenskaplig nivå,
  • följa kunskapsutvecklingen, och
  • utbyta kunskaper även med personer utan specialkunskaper inom området.

(1 kap. 8 § högskolelagen)

Kursens mål

Kursens övergripande mål är att ge de studerande grundläggande kunskaper inom matematisk analys, regressionsanalys av tvärsnittsdata, analys och hantering av olika datatyper, samt tillämpningar inom området business analytics. Kursen delas upp i tre delkurser: Inledande matematik för statistiker II, Regressionsanalys, Data mining och business analytics.

Inledande matematik för statistiker II

Efter avslutad kurs ska den studerande kunna

• använda lämplig metod för att lösa problem inom kursens ram, och
• redovisa sina lösningar tydligt och kärnfullt.

Regressionsanalys

Efter genomgången kurs skall studenten ha

• förståelse för grundläggande begrepp inom regressionsanalys
• grundläggande kunskap om enkla och multipla regressionsmodeller
• grundläggande förmåga att tillämpa kunskaperna i en praktisk situation
• grundläggande förmåga att kritiskt granska och utvärdera regressionsmodeller för att på bästa sätt kunna välja modelleringsansats.

Data mining och business analytics

Efter genomgången kurs skall studenten ha

• förståelse för explorativ dataanalys och moderna visualiseringsmetoder
• grundläggande kunskap om hantering av olika typer av data
• förmåga att välja lämplig visualiseringsmetod för olika problemställningar
• förmåga att utvärdera kvalitéten i insamlade data och göra strategiska affärsbeslut

Kursens huvudsakliga innehåll

Inledande matematik för statistiker II, 3 högskolepoäng

Derivata med tillämpningar på enklare optimeringsproblem. Beräkning av bestämda och generaliserade integraler. Enklare geometriska och statistiska tillämpningar av integraler. Partiell derivata och lokal optimering.

Regressionsanalys, 6 högskolepoäng

Grundläggande begrepp inom regressionsanalys såsom modell, responsvariabel, prediktor, störningsterm, residual, heteroskedasticitet.
Enkel- och multipel linjär regression: linjära- och ickelinjära modeller, minsta-kvadrat-metoden, estimatorers egenskaper och inferensaspekter samt modellutvärdering.

Data mining och business analytics, 6 högskolepoäng

Hantering av olika typer av datamängder. Metoder för dataanalys, till exempel visualisering, klassificering, prediktion och klusteranalys. Framtagande av dataunderlag för strategiska affärsbeslut.

Studieformer

Undervisningen bedrivs i form av föreläsningar, räkneövningar, datorövningar och projekt.

Den som antagits till och registrerats på en kurs har rätt att erhålla undervisning och/eller handledning under den tid som angavs för kurstillfället som den sökande blivit antagen till (se universitetets antagningsordning). Därefter upphör rätten till undervisning och/eller handledning.

Examinationsformer

Inledande matematik för statistiker II

Skriftlig tentamen, 3 högskolepoäng (Provkod: A001)

Regressionsanalys

Skriftlig tentamen, 6 högskolepoäng (Provkod: B001)

Data mining och business analytics

Projekt, 6 högskolepoäng (Provkod: C001)


För studenter med dokumenterad funktionsnedsättning kan universitetet besluta om anpassning av examination eller annan examinationsform.

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Betyg

Enligt 6 kap. 18 § högskoleförordningen ska betyg sättas på en genomgången kurs om inte universitetet föreskriver något annat. Universitetet får föreskriva vilket betygssystem som ska användas. Betyget ska beslutas av en av universitetet särskilt utsedd lärare (examinator).

Enligt universitetets föreskrifter om betygssystem för utbildning på grundnivå och avancerad nivå (beslut ORU 2018/00929) ska något av uttrycken underkänd, godkänd eller väl godkänd användas som betyg. För utbildning som ingår i en internationell magister- eller masterutbildning eller i universitetets kursutbud för utbytesstudenter ska betygsskalan A-F användas. Rektor, eller den rektorn bestämmer, får besluta om undantag från denna bestämmelse för en viss kurs om det finns särskilda skäl.

Som betyg på kursen används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Skriftlig tentamen
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Skriftlig tentamen
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Projekt
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Kommentar till betyg

Betyget G på samtliga delkurser krävs för slutbetyget G. För slutbetyg VG krävs VG på minst två av de tre delkurserna.

Särskild behörighet och andra villkor

Grundläggande statistik, 15 högskolepoäng.

För ytterligare information se universitetets antagningsordning.

Tillgodoräknande av tidigare utbildning

Student som tidigare genomgått utbildning eller fullgjort annan verksamhet ska enligt högskoleförordningen tillgodoräknas detta som en del av den aktuella utbildningen under förutsättning att den tidigare utbildningen eller verksamheten uppfyller vissa krav.

För ytterligare information se universitetets lokala regler för tillgodoräknanden.

Övriga föreskrifter

Restuppgifter ska fullgöras enligt lärares anvisningar.

Kurslitteratur och övriga läromedel

Inledande matematik för statistiker II, 3 högskolepoäng

Obligatorisk litteratur

Månsson, Jonas (senaste upplagan)
Grundläggande matematik för samhällsvetare och ekonomer
Studentlitteratur, ca 100 sidor

Tillägg och kommentarer till litteraturlistan
Utdelat material publicerat på Blackboard tillkommer.

Regressionsanalys, 6 högskolepoäng

Obligatorisk litteratur

Stock, James H. & Mark W. Watson, 2020, Global Edition, 4th Edition (senaste upplagan)
Introduction to Econometrics
Pearson Education, 800 sidor, ca 340 sidor läses

Data mining och business analytics, 6 högskolepoäng

Obligatorisk litteratur

Tom Fawcett, Foster Provost (2013)
Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking
O'Reilly Media, Inc