• modul-230, 4. семестар, позиција 1

Упознавање студената са пословном интелигенцијом као рачунарском подршком за доношење управљачких одлука. Акценат је на теоријским и концептуалним основама пословне интелигенције, као и комерцијалним алатима и техникама доступним за ефикасну подршку одлучивању. Такође, курс има за циљ упознавање студената са концептима, основама и алатима пословне аналитике, са посебним нагласком на примене и примере аналитике у реалном окружењу. Циљ је да током курса студенти овладају фундаменталним и најважнијим техникама у пословној интелигенцији, пословној аналитици као и дубинској анализи података и откривању знања, и буду оспособљени за самосталну примену поменутих метода у процесима пословног одлучивања.

По успешном завршетку овог курса, студенти би требало да буду оспособљени да: •Покажу познавање кључних принципа и техника пословне интелигенције и пословне аналитике. •Идентификују одговарајуће алате/технике пословне интелигенције и аналитике за различите пословне проблеме. •Препознају и разликују ситуације у којима је могуће успешно применити различите технике за анализу података и истраживања знања (асоцијација, корелација, класификација, предикција, кластер анализа). •Покажу знање и разумевање различитих алгоритама и квантитативних техника погодних за анализу података и истраживање знања у широком спектру подручја примене. •Пројектују и имплементирају системе за анализу података и откривање знања и изврше евалуацију перформанси различитих алгоритама за анализу података и откривање знања. •Користе широк спектар јавно доступних алата за анализу података. •Оцене ефикасност ових алата за анализу података на основу различитих мера перформанси. •Доносе одлуке засноване на подацима за оптимизацију пословног процеса у складу са резултатима анализе података и интерпретирају добијене резултате. •Користе практична знања и вештине у развоју и коришћењу савремених апликативних софтверских решења за подршку пословном одлучивању. •Имају развијену способност за тимски рад.

Пословна аналитика: дескриптивна, предиктивна и прескриптивна аналитика. Пословна интелигенција: подаци, информација и знање, архитектура. Анализа података и откривање знања: дефиниција, модели и методе. Препроцесирање података: визуелизација, чишћење, интеграција, редукција, траснформација и дискретизација података. Методе за предикцију и класификацију: линеарна и вишеструка линеарна регресија, стабла класификације и регресије, Бајесове методе, класификација заснована на правилима, неуронске мреже, метода потпорних вектора, метода најближег суседа, учење и закључивање по аналогији, генетички алгоритми и приступ базиран на фази логици. Кластер анализа: методе базиране на подели, методе базиране на густини, методе базиране на мрежи, методе засноване на моделу ( алгоритам к-средина, агломеративне хијерархијске методе, дивизивне хијерархијске методе, фази c-means алгоритам, итд.). Предвиђање временских серија: евалуација модела временских серија, анализа компоненти временских серија, модели са експоненцијалним изравнањем и ауторегресивни модели. Оцена квалитета предикције.

Тема курса (методе, технике) се обрађују и теоретски и практично путем лабораторијских вежби, где се одабране методе имплементирају и користе на типичним подацима из реалног окружења. 1. Лабораторијска вежба бр. 1: Синтеза модела за класификацију података применом Бајесовe методe, методе засноване на правилима, методе најближег суседа и применом стабла одлучивања; тестирање модела, оцена квалитета и поређење резултата. 2. Лабораторијска вежба бр. 2: Синтеза модела за класификацију података применом неуронских мрежа и методе потпорних вектора; тестирање модела, оцена квалитета и поређење резултата. 3. Лабораторијска вежба бр. 3: Синтеза модела за предикцију применом метода линеарне регресије, неуронских мрежа и методе потпорних вектора; тестирање модела на непознатим узорцима, оцена квалитета и поређење резултата. 4. Лабораторијска вежба бр. 4:Примена различитих метода кластеризације (алгоритам к-средина, агломеративна и дивизивна хијерархијска метода и фази c-means алгоритам) на изабраном скупу података и њихово поређење. 5. Лабораторијска вежба бр. 5 Предвиђање временских серија применом експоненцијалних и ауторегресивних модела.

Дефинисано курикулумом студијског програма/модула.

•Радиша Јовановић, Пословна интелигенција и пословна аналитика, Cкрипта са предавања у електронској форми. •Радиша Јовановић, Mаtlab и Simulink у аутоматском управљању, Машински факултет Београд, 2016. •Mодуларни едукациони систем управљања у реалном времену са различитим објектима управљања (DC серво мотор, обрнуто клатно, двоструко обрнуто клатно, струјно термички објект, систем од два проточна резервоара), са аквизиционим хардвером и софтвером. PC и PC Embedded рачунари, Siemens Simatic PLC, National Instruments контролери. •Лабораторија за Аутоматско управљање, Лабораторија за интелигентне системе управљања, Лабораторија за управљачке системе.

укупан фонд часова: 90

ново градиво: 26
разрада и примери (рекапитулација): 4

аудиторне вежбе: 30
лабораторијске вежбе: 15
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 5
преглед и оцена семинарских радова: 0
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 5
тест са оцењивањем: 0
завршни испит: 5

активност у току предавања: 5
тест/колоквијум: 30
лабораторијска вежбања: 35
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
завршни испит: 30
услов за излазак на испит (потребан број поена): 35

E. Turban, R. Sharda, D. Delen, (2014), Business Intelligence and Analytics: Systems for Decision Support, 10th edition, Pearson Education Limited.ROBOTS, 2nd Edition, The MIT Press.; P. C. Bruce, R. R. Patel, G. Shmueli, M. L. Stephens, (2017), Data mining for business analytics : concepts, techniques, and applications in JMP Pro, John Wiley & Sons.;