BPH_ADSB Applied Data Science for Business

Ekonomicko-správní fakulta
podzim 2025
Rozsah
0/1. 2 kr. Ukončení: z.
Vyučováno kontaktně
Vyučující
Seyed Mojtaba Hosseini Bamakan, PhD (cvičící)
Garance
Seyed Mojtaba Hosseini Bamakan, PhD
Katedra podnikové ekonomiky a managementu – Ekonomicko-správní fakulta
Kontaktní osoba: Bc. Tereza Tomešová
Dodavatelské pracoviště: Katedra podnikové ekonomiky a managementu – Ekonomicko-správní fakulta
Předpoklady
Basic computer skills, fundamental business knowledge, and basic analytical thinking—no programming required.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Předmět si smí zapsat nejvýše 24 stud.
Momentální stav registrace a zápisu: zapsáno: 0/24, pouze zareg.: 12/24, pouze zareg. s předností (mateřské obory): 9/24
Mateřské obory/plány
předmět má 7 mateřských oborů, zobrazit
Cíle předmětu
This course introduces business management students to applied data science concepts and methods, with an emphasis on hands-on learning using the No-Code data mining tools. Students will explore data preprocessing, visualization, machine learning models, and evaluation techniques, and apply them to real-world business cases such as customer churn prediction, predictive maintenance, and market segmentation.
Výstupy z učení
By the end of the course, students will be able to:
• Understand core data science workflows and concepts.
• Use data mining tools for data preprocessing, modeling, and evaluation.
• Apply machine learning techniques to solve business problems.
• Interpret and communicate data-driven insights to support business decision-making.
Osnova
  • Introduction to Data Science in Business
  • • Overview of data science applications in business
  • • Key concepts: data types, business analytics vs. data science, machine learning.
  • Data Preprocessing & Cleaning
  • • Importance of data quality in business decision-making.
  • • Handling missing data, outliers, and variable types, Feature selection and transformation.
  • Data Visualization
  • Classification & Predictive Modeling
  • • Understanding classification models: Decision Trees, Logistic Regression, k-NN, Neural Networks.
  • Clustering & Market Segmentation
  • • Clustering methods: k-Means, DBSCAN, Hierarchical clustering.
  • Model Evaluation & Deployment
  • • Model evaluation metrics: Accuracy, Precision, Recall, F1, AUC.
  • • Cross-validation and overfitting.
  • Business cases such as customer churn prediction, predictive maintenance, and market segmentation, etc
Literatura
    doporučená literatura
  • HAN, Jiawei a Micheline KAMBER. Data mining : concepts and techniques. San Francisco: Morgan Kaufmann Publishers, 2001, xxiv, 550. ISBN 1558604898. info
    neurčeno
  • Slides or lecture notes provided during sessions
Výukové metody
Lectures and Presentations
Hands-on Practice
Case Study Analysis
Workshop
Metody hodnocení
Practical Assignments
-- Hands-on exercises using the Orange platform for data preprocessing, visualization, modeling, and evaluation.
Written Exam on Theories and Methods
--Tests understanding of data science concepts, workflows, machine learning techniques, and evaluation metrics.

Class Participation and Activities
Involvement in discussions, group exercises, and in-class tasks.

Final Project or Presentation
--Application of data science tools to a selected business problem with interpretation of results and business implications.
Vyučovací jazyk
Angličtina
Další komentáře
Předmět je vyučován každoročně.
Výuka probíhá každý druhý týden.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.muni.cz/predmet/econ/podzim2025/BPH_ADSB