Analitičke tehnike nad velikim skupovima podataka

Naziv predmeta:

Analitičke tehnike nad velikim skupovima podataka

Opis:

Ciljevi ovog modula su omogućiti studentima da:
• Kritički procijene i primijene big data tehnike pomoću softvera kao što je Python.
• Interpretiraju sustavni pristup kako bi se izgradile i primijenile vještine u big data analitici, rudarenju teksta (eng. text mining) i rudarenju podacima (eng. data mining) o društvenim mrežama
• Demonstriraju kritičku svijest o tome kako menadžeri i rukovoditelji koriste big data analitiku za stvaranje poslovne vrijednosti poboljšanjem njihove operativne, socijalne i financijske izvedbe i stvaranjem prilika za novi poslovni razvoj.

Studenti će naučiti usvajati pristupe koji otvaraju potencijal velikih skupova podataka koristeći analitičke alate i tehnike za planiranje poslovnih aktivnosti. Cilj modula je omogućiti studentima da aktivno koriste alate i analitičke tehnike koje će im pomoći u izvlačenju znanja iz velikih skupova podataka u svrhu poslovnog planiranja.

Važno je da studenti pohađaju ovaj modul kako bi razvili teorijsko razumijevanje big data analitike, uključujući učinkovitu upotrebu big data koncepata i njihove veze s big data analitikom.

Primjeri primjene analitike velikih podataka o kojima se raspravlja u modulu usredotočit će se na rješavanje suvremenih izazova s kojima se suočava industrija. Studenti će također naučiti praktične vještine i menadžerske uvide kroz vođene demonstracije koje uključuju razne vježbe koje će ih pripremiti da postanu menadzeri za upravljanje podacima i rukovoditelji sposobni za korištenje big data analitike u svrhu stvaranja poslovne vrijednosti.

Literatura:

Obvezna literatura:
1. Bird,S., Klein,E., and Loper,E. (2009). Natural Language Processing with Python, Sebastopol, Massachusetts: O’Reilly
2. Klepac, G. (2014) Data Mining Models as a Tool for Churn Reduction and Custom Product Development in Telecommunication Industries, in Vasant P. (Ed.), Handbook of Research on Novel Soft Computing Intelligent Algorithms: Theory and Practical Applications (pp. 511-537). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4450-2.ch017, Hershey, USA
3. Miner, G. (2012) Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications, Oxford: Oxford, Academic Press

Preporučena literatura:
1. Almeida, F., and Santos, M. (2014) A Conceptual Framework for Big Data Analysis, in Portela I. and Almeida F. (Eds.) Organizational, Legal, and Technological Dimensions of Information System Administration (pp. 199-223). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4526-4.ch011, Hershey, USA
2. Bakshi, K. (2014) Technologies for Big Data, in W. Hu, and N. Kaabouch (Eds.) Big Data Management, Technologies, and Applications (pp. 1-22). Hershey, PA: Information Science Reference. doi:10.4018/978-1-4666-4699-5.ch001, Hershey, USA
3. Bird,S., Klein,E., and Loper,E. (2009) Natural Language Processing with Python, Sebastopol, Massachusetts: O’Reilly
4. Cointet, J. P., and Roth, C. (2009) Socio-semantic dynamics in a blog network. International Conference on Computational Science and Engineering, doi:10.1109/CSE.2009.105, Paris, France
5. Conte, R., Gilbert, N., Bonelli, G., Helbing, D. (2011) FuturICT and social sciences: Big Data, big thinking, Zeitschrift für Soziologie, 40, 412–413., Zurich, Switzerland