Business Cases wit Data Science
Objectives
Knowledge of statistics, linear algebra and computer programming in Pyhton
General characterization
Code
200208
Credits
7.5
Responsible teacher
Nuno Miguel da Conceição António
Hours
Weekly - Available soon
Total - Available soon
Teaching language
Portuguese. If there are Erasmus students, classes will be taught in English
Prerequisites
CP1. Introdução a casos de negócio
CP2. Introdução à metodologia CRoss-Industry Standard Process for Data Mining (CRISP-DM)
CP3. Caso de estudo de segmentação de clientes
CP4. Caso de estudo de previsão de cancelamento de reservas
CP5. Caso de estudo de análise de cesto de compras
CP6. Caso de estudo de previsão de "churn" de clientes
CP7. Caso de estudo de recomendação de produtos
CP8. Caso de estudo de estimativa da procura
Bibliography
- Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by- step data mining guide. Retrieved from https://the-modeling- agency.com/crisp-dm.pdf
- Guidici, P., and Figini, S. (2009). Applied Data Mining for Business and Industry. UK: Wiley
- Kelleher, J. D., Namee, Brian, M., D¿Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: Algorithms, Worked Examples, and Case Studies. Cambridge, MA: The MIT Press
- Provost, F., and Fawcett, T. (2013). Data Science for Business. Sebastopol, CA: O¿Reilly
- Shmueli, G., Bruce, P. C., Gedeck, P., Patel, N. R. (2019). Data Mining for Business Analytics: Concepts, Techniques, and Applications in Python. Hoboken, NJ: Wiley
Teaching method
- Case studies 80%:
- Case studies 1 to 4: 10% each
- Case studies 5 and 6: 20% each
- Individual exam (with consultation): 20%
Evaluation method
Inglês
Subject matter
Inicialmente, a unidade curricular baseia-se em aulas teóricas (introdução a casos de negócio e à metodologia CRISP-DM). Após isso será apresentado um exemplo de um caso de estudo, incluindo a demonstração do código IGNOREe do mesmo, interpretação dos resultados e exemplos de decisões a tomar em função dos resultados. Após isso, em cada duas aulas, será analisado cada um dos seis casos de negócio. A análise deve ser feita em grupos de 3 ou 4 alunos. Numa primeira aula é feita uma revisão/retrospetiva dos resultados do caso anterior e apresentado o enunciado de um novo caso, incluindo uma introdução ao problema, objetivos e instruções de como abordar o problema. Numa segunda aula, os alunos devem entregar relatório do trabalho realizado e fazer uma apresentação oral. Dado que em Data Science é necessário não só saber criar modelos analíticos, mas também comunicar eficazmente como se chegou ao resultado especifico e justificar as abordagens tomadas, as apresentações orais dos trabalhos são um importante instrumento de aprendizagem, sendo os debates que sucedem as apresentações ferramentas importantes no desenvolvimento de habilidades e competências de análise e argumentação.
Aplicações/linguagens utilizadas:
- Python
- Jupyter Notebook
- Microsoft Visual Code