SVEUČILIŠTE J.J. STROSSMAYERA U OSIJEKU, EKONOMSKI FAKULTET U OSIJEKU

Sustavi poslovne inteligencijeN O S I T E L J KO L E G I JA :

M A R I JA N A Z E K I Ć - S U Š A C

R E D OV I T I P R O F ES O R

E - M A I L : M A R I JA N A @ E F O S . H R

T E R M I N I KO N Z U LTA C I JA O G L A Š E N I N A W E B S T R A N I C I :

H T T P : / / W W W. E F O S . U N I O S . H R / M Z E K I C

A S I S T E N T: A D E L A H A S

E - M A I L : A D E L A . H A S @ E F O S . H R

T E R M I N I KO N Z U LTA C I JA O G L A Š E N I N A W E B S T R A N I C I :

H T T P : / / W W W. E F O S . U N I O S . H R /A H A S

Cilj i svrha kolegija▪ Upoznati studente s teorijom i primjenom tehnika umjetne inteligencije u sustavima poslovne inteligencije, odnosno sustavima za potporu odlučivanju

▪ Naglasak - na probleme predviđanja, klasifikacije i prepoznavanje uzoraka

▪ Omogućiti studentima ovladavanje osnovnim principima dizajniranja i evaluacije inteligentnih sustava

Glavni koncepti poslovne inteligencijePoslovna inteligencija (Business Intelligence) uključuje sljedeće koncepte (područja):

▪ Skladištenje podataka (Data Warehouse)▪ Izvještavanje (Reporting)▪ On-Line Analitičko procesiranje (OLAP)

▪ Izradu score kartica - scorecarding (Key Performance Indicators ili Business Performance Management)

▪ Benchmarking – uspoređivanje pokazatelja uspješnosti poslovanja tvrtke s tvrtkom koja se smatra standardom ili najboljom u tom području

▪ Rudarenje podataka (Data Mining)

▪ Rudarenje teksta (Text Mining)

▪ Big Data

▪ Poslovnu analitiku

Sadržaj kolegija

1.Poslovna inteligencija – osnovni pojmovi i područja, metode uključene u poslovnu inteligenciju. Poslovna inteligencija kao dio informacijskog sustava. Skladištenje podataka. Rudarenje podataka. Poslovna analitika. Big Data.

2. Inteligentne metode u okviru poslovne inteligencije. Umjetna inteligencija. Pojam, pristupi umjetne inteligencije u rješavanju intelektualnih problema. Područja primjene umjetne inteligencije. Metode strojnog učenja. Neuronske mreže, stabla odlučivanja, klasteriranje, metoda najbližeg susjeda i dr.

3.Umjetne neuronske mreže. Definicija i način funkcioniranja. Vrste neuronskih mreža. Izgradnja modela za klasifikaciju, predviđanje (regresiju) i asocijaciju (prepoznavanje uzoraka) s pomoću neuronskih mreža. Ocjena uspješnosti modela. Upotreba neuronskih mreža u poslovnoj praksi (analiza slučajeva i rad na primjerima).

4.Stabla odlučivanja. Definicija i način funkcioniranja. Upotreba stabala odlučivanja za klasifikaciju i regresiju.

Sadržaj kolegija - nastavak5. Asocijacijska pravila. Pojam asocijacijskih pravila i analize

povezanosti (Link analysis). Koraci u izradi asocijacijskih pravila. Podrška i pouzdanost asocijacijskih pravila. Algoritmi za generiranje pravila. Primjeri primjene asocijacijskih pravila.

6. Inteligentni agenti. Pojam i vrste softverskih agenata i obilježja inteligentnih agenata. Struktura inteligentnog agenta. Primjeri primjene inteligentnih agenata. Agenti za prepoznavanje govora i obradu prirodnog jezika.

7. Robotika, internet stvari i trendovi razvoja inteligentnih sustava.

8. Uvođenje sustava poslovne inteligencije u praksu.

Struktura kolegija

Predavanja – kroz navedenih 8 poglavlja

Vježbe- rad na primjerima kroz upotrebu programskih alata (StatSoft Statistica Data

Mining i SQL Server Business Intelligence)

Seminari- izbor baze podataka na kojima će studenti raditi model za klasifikaciju,

predviđanje ili prepoznavanje uzoraka

- rad na seminarima kroz upotrebu programskih alata

- Izrada modela i opisivanje u obliku seminarskog rada (studenti samostalno u timovima)

- izlaganje seminarskih radova studenata

Obveze studenata▪ Sudjelovati u nastavi osobno i putem sustava za e-učenje

▪ Napraviti vježbe na satu i uploadirati u sustav za e-učenje

▪ Predati seminarski rad u zadanom roku▪ Kašnjenje u predaji seminara snižava bodove na minimum bodova za seminarski rad.

▪ Izlagati seminarski rad pred studentima u predviđenom terminu

Seminarski rad▪ Napraviti model neuronske mreže, stabala odlučivanja ili asocijacijskih pravila na izabranim podacima

◦ Izabrati podatke među ponuđenim uzorcima podataka na stranici kolegija u sustavu Loomen, ili

◦ Odabrati problem predviđanja ili klasifikacije ili asocijacijskih pravila po izboru (prodaja, dobit, troškovi, izbor dobavljača, odluka o odobrenju kredita, itd.), te sami prikupiti podatke iz tvrtke po izboru (iz razgovora s djelatnikom tvrtke odlučiti što će biti ulazne varijable, a što izlazna)

◦ Kreirati model s pomoću neuronske mreže ili stabala odlučivanja u alatu Statistica

◦ Opisati model i rezultate u obliku seminarskog rada – predati Word verziju u sustav Loomen (pogledati upute za izradu rada)

◦ Izlagati rad (Power Point prezentacija)

Način ocjenjivanja

Aktivnost Bodovi

Aktivnost na nastavi (za

iznimno napravljene

vježbe)

0-10

2 kolokvija ili pismeni

ispit (teorijski dio

elektronski + zadaci na

papiru uz računalo)

(2x50) 100

Seminarski rad 50

Ukupno 150+10

Ljestvica za ocjenjivanje:

80 – 99 = 2

100 – 119 = 3

120 – 139 = 4

140 – 150 = 5

Obveze su iste za redovite i za izvanredne studente, kao i ljestvica za

ocjenjivanje.

Web stranica kolegijaPristup nastavnim materijalima moguć:

1. Putem web stranice Fakulteta:

www.efos.unios.hr/sustavi-poslovne-inteligencije, ili putem tražilice na početnoj stranici www.efos.unios.hr pronaći kolegij Sustavi poslovne inteligencije.

2. Direktno putem web adrese: http://loomen.carnet.hr, izabrati kolegij Sustavi poslovne inteligencije (Inteligentni sustavi)

Napomena: za upotrebu sustava za e-učenje Loomen potrebno je imati korisnički račun AAI@Eduhr otvoren na Fakultetu. U slučaju problema s lozinkom kontaktirati CARNet administratora čiji se termini dežurstva nalaze na web stranici fakulteta, izbornik Studenti / Carnet računi.

Literatura - osnovna

Osnovna literatura:

▪ M. Zekić-Sušac, A. Has, Nastavni materijali za kolegij “Sustavi poslovne inteligencije”, Diplomski studij, Ekonomski fakultet u Osijeku, 2017, https://loomen.carnet.hr/course/view.php?id=278

▪ G. Klepac, L. Mršić, Poslovna inteligencija kroz poslovne slučajeve, Lider, Tim Press, Zagreb, 2006.

▪ Ž. Panian, G. Klepac, Poslovna inteligencija, Masmedia, Zagreb, 2003.

▪ V.Čerić, M., Varga, Informacijska tehnologija u poslovanju, Element, Zagreb, 2004., poglavlja 13-16.

Literatura - dodatnaDodatna literatura:

▪ T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Data Mining, Inference, and Prediction, Springer, Second Edition, 2013.

▪ F. Provost, T. Fawcett, Data Science for Business, What You Need to Know about Data Mining and Data-Analytic Thinking, O'Reilly Media, 2013.

▪ S. J. Russell, P.Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall; 2nd edition, 2002.

▪ I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques with Java Implementation. Morgan Kaufman Publishers, San Francisco, CA, 2000.

▪ C. Bishop, Neural Networks and Machine Learning, Springer Verlag, Berlin, 1998.

Web izvori▪ Business Intelligence, Poslovna inteligencija ili poslovna analitika?, https://sqlbicro.wordpress.com/2013/04/21/poslovna-inteligencija-ili-poslovna-analitika/, 11.10.2017.

▪ Gartner, Business Intelligence (BI), http://www.gartner.com/it-glossary/business-intelligence-bi/, 11.10.2017.

▪ Skladistenje.com, http://www.skladistenje.com/, 11.10.2017.

▪ S. Russell, P. Norvig, AI on the web, http://aima.cs.berkeley.edu/ai.html, 14.11.2013.

▪ i dr. navedeni na kraju svakog poglavlja.