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, 2021. • 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. • 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.;