Fakultet tehničkih nauka

Predmet: Sistemi poslovne inteligencije (22.EAI028)

Osnovne informacije:
 
Kategorija Teorijsko-metodološki
Uža naučna oblast Informaciono-komunikacioni sistemi
ESPB 6

Cilj predmeta je upoznavanje studenata sa savremenim sistemima poslovne inteligencije, koji podrazumevaju obradu velike količine podataka i primenu mašinskog učenja i veštačke inteligencije za otkrivanje znanja u poslovnim podacima. Studenti će razumeti osnovne koncepte u oblasti poslovne inteligencije i ovladati primenom alata za razvoj ovih sistema.

Studenti će po završetku kursa imati znanja i veštine koje će im omogućiti da primene tehnike mašinskog učenja, veštačke inteligencije kao i vizualizacije podataka za rešavanje savremenih poslovnih problema. Pored toga steći će praktične veštine razvoja programskih rešenja korišćenjem Jupyter Labs okruženja za eksplorativnu analizu podataka i razvoj modela zasnovanih na mašinskom učenju (kao i treniranje neuronskih mreža) odnosno okruženja za samouslužnu poslovnu inteligenciju Microsoft Power BI . Takođe, studenti će u okviru predmeta biti obučeni za praktičnu implementaciju sistema za preporuku proizvoda i usluga na bazi klasičnog mašinskog učenja i dubokog učenja kroz praktičnu i teorijsku obuku zasnovanu na kursu NVIDIA Instituta za duboko učenje (Deep Learning Institute (DLI) ) Razvoj inteligentnih sistema za poručivanje i dobiti priliku da iz te oblasti dobiju NVIDIA DLI sertifikat.

Predmet će pokriti sledeće oblasti: osnovni koncepti sistema poslovne inteligencije, izvori i vrste podataka u sistemima poslovne inteligencije (baze i skladišta podataka, strukturirani, slabo strukturirani i nestrukturirani podaci), ETL ( Extract, Transform, Load) proces, istraživačka (eksploratorna) analiza podataka, osnovne metode nadlgledanog i nenadgledanog učenja u ovakvim sistemima (klastering, otkrivanje pravila asocijacije, klasifikacija i regresija), metode vizualizacije podataka i definisanje i kalkulacija mera i ključnih indikatora performansi, kao i razvoj inteligentnih sistema za preporuku proizvoda i usluga zasnovanih na klasičnom mašinskom učenju i dubokom učenju. Teorijsku nastavu će pratiti praktična obuka iz implementacije programskih rešenja (modela mašinskog učenja odnosno neuronskih mreža) u okruženju Jupyter Labs, razvoja sistema za preporuku primenom metoda dubokog učenja u okruženju TensorFlow i njihovu primenu za razvoj servisa u oblaku zasnovanu na NVIDIA Triton sistemu, kao i iz vizualizacije podataka odnosno razvoja kontrolnih tabli ( Dashboards ) upotrebom alata za samouslužnu poslovnu inteligenciju Microsoft Power BI .

Predavanja i laboratorijske vežbe, testovi i individualni zadatak (projekat). U okviru laboratorijskih vežbi će studenti biti osposobljeni za implementaciju programskih rešenja u programskom okruženjima Jupyter Labs, TensorFlow i NVIDIA Triton sistemu, odnosno za vizualizaciju podataka i razvoj kontrolnih tabli ( Dashboards ) u alatu za samouslužnu poslovnu inteligenciju Microsoft Power BI . Usvajanje teoretskih znanja sa predavanja će se proveravati testovima i na usmenom ispitu, a individualni zadatak će uključivati praktičnu implementaciju sistema poslovne inteligencije odgovarajuće složenosti. Predispitne obaveze činiće uspešno završen i odbranjen samostalni studentski projekat - uslov za izlazak na ispit je 25 od 50 bodova.

Autori Naziv Godina Izdavač Jezik
Ћулибрк, Д. Откривање знања из података: одабрана поглавља 2012 CreateSpace Srpski jezik
Cole Nussbaumer Knaflic Storytelling With Data 2015 Wiley Engleski
Foster Provost, Tom Fawcett Data Science for Business 2013 O’Reilly Media, Inc. Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Usmeni deo ispita
Predispitna
Ne
Obavezna
Da
Broj poena
30.00
Predmetna aktivnost
Test
Predispitna
Da
Obavezna
Da
Broj poena
10.00
Predmetna aktivnost
Složeni oblici vežbi
Predispitna
Da
Obavezna
Da
Broj poena
20.00
Predmetna aktivnost
Projektni zadatak
Predispitna
Da
Obavezna
Da
Broj poena
40.00
Predavanja
Predavanja
Računarske vežbe