Preskoči na glavni sadržaj

Analiza i vizualizacija podataka

ISVU: 225472•6 ECTS•Zimski semestar

Osnovne informacije

Organizacijska jedinica
Odsjek za informacijske i komunikacijske znanosti
Satnica
  • Predavanja: 15 sati
  • Seminar: 15 sati
  • Vježbe u praktikumu: 30 sati

Nastavnici

Cilj

Cilj kolegija je stjecanje kompetencija potrebnih za analizu, obradu i vizualizaciju strukturiranih podataka radi osmišljavanja informacijskih rješenja u poslovnoj analitici i vizualnim komunikacijama. Kolegij će omogućiti stjecanje tehničkih, organizacijskih, komunikacijskih i analitičkih vještina kroz cjelokupni proces prikupljanja, analize, obrade i vizualizacije strukturiranih podataka radi stvaranja novoga znanja (eng. data mining). Primijenit će se i vrednovati različite vrste poslovnih analitika kroz primjenu u konkretnim situacijama.

Sadržaj

  1. Uvodno predavanje. Podatkovna analitika i podatkovna znanost. Znanja i vještine.
  2. Programski jezik R: okruženje i instalacija. Upoznavanje sa sučeljem i osnovnim funkcijama.
  3. Primjena programskog jezika R u radu sa strukturiranim podacima. Vrste podataka. Oraganizacija i upravlljanje strukturiranim podacima: dodavanje, spajanje, brisanje podataka. Osnovna deskriprivna statistika.
  4. Primjena jezika R za izradu različitih vizualizacija. Izrada grafova i obilježavanje.
  5. Priprema čišćenje podataka. Osnovna deskriptivna statistika primjenom R-a. Dohvaćanje podataka s weba. Izrada vizualizacija.
  6. Rad s alatom za analizu i vizualizaciju podataka - alat poslovne inteligencije. Rad s osnovnim funkcijama. Vrste podataka, analiza i priprema. Filtriranje i sortiranje. Principi dobre vizualizacije.
  7. Dimenzije i mjere. Pretprocesiranje podataka, čišćenje podataka. Eksploratorna i konfirmatorna analiza.
  8. Otvoreni podaci: karakteristike, uloga, analiza. Analiza otvorenih podataka s weba. Primjeri inovativne uporetrebe.
  9. Rudarenje podataka (eng. data minig): elementi procesa. Geografski prikaz podataka. Mape. Dohvaćanje podataka s weba.
  10. Hijerarhije: analiza i kreiranje hijerarhija. Agregiranje podataka.Vremenska analiza podataka.
  11. Povezivanje podataka iz različitih izvora (eng. join). Dinamički podaci. Skupovi i grupe.
  12. OLAP tehnologije (Online Analytical Processing). Kocka. Višedimenzionalni prikaz podataka.
  13. Piramida znanja: podatak, informacija, znanje, mudrost. Prijenos vizualizacije na upravljačku ploču. Interaktivne vizualizacije. Pričanje priče.
  14. Vrste poslovne analitika: dijagnostička, deskriptivna, prediktivna, preskriptivna analitika.
  15. Poslovna inteligencija. Primjena u konkretnim situacijama.

Ishodi učenja

  1. objasniti proces rudarenja podataka (eng. data mining), otvorenih podataka, uloge vizualizacije i vrste poslovnih analitika
  2. prikupiti, analizirati, organizirati i pripremiti podatake potrebne za analizu u procesu stvaranja novoga znanja
  3. upotrijebiti alate za vizualni prikaz podataka, vrednovati vizualne prikaze
  4. objasniti piramidu znanja i praktično primijeniti kroz odnos podataka, informacija, analitike i stvaranja novoga znanja
  5. primijeniti osnove analitičke operacije OLAP tehnologija u višedimenzionalnom pretraživanju
  6. objasniti vrste analitika u procesu odlučivanja
  7. definirati, primijeniti i sintetizirati elemenate vizualnih komunikacija
  8. komentirati elemente procesa rudarenja podataka (eng. data mining) i upotrijebiti sintetizirati stečeno znanje kroz izradu projektnog zadatka, prezentirati rezultate istraživanja, formulirati nova znanja i predložiti njihovu primjenu

Metode podučavanja

predavanja, samostalne laboratorijske vježbe, timski projektni rad

Metode ocjenjivanja

pismeni ispit ili kolokviji, samostalne vježbe, timski projektni rad, usmeni

Obavezna literatura

  1. Wilke, Claus O. Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures, 2019.
  2. Tableau User Manual, online.
  3. Paradis, E. R for Beginners, 2005.
  4. An Introduction to R, 2024. https://cran.r-project.org/doc/manuals/r-release/R-intro.html .
  5. Power BI - User Guide online.
  6. Otvoreni podaci za sve. Priručnik o ponovnoj uporabi informacija za tijela javen vlasti, 2018.
  7. Card, S. K., Mackinlay, J., Shneiderman, B., Brook, S. (Eds.)Readings in Information Visualization: Using Vision to Think (Interactive Technologies), 2019.

Dopunska literatura

  1. Foreman, J. W. Data Smart: Using Data Science to Transform Information into Insight 1st Edition, Wiley & Sons, 2014.
  2. Provost, F., Fawcett, T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking, 1st Edition, 2013.
  3. Krstić, Ž.; Seljan, S.; Zoroja, J. Visualization of Big Data Text Analytics in Financial Industry: A Case Study of Topic Extraction for Italian Banks. Proceedings of the ENTRENOVA '19, 2019. 67-75.
  4. Knaflic, C. N. Storytelling with Data: A Data Visualization Guide for Business Professionals, 1st Edition, Wiley, 2015.
  5. Few, Stephen. Information Dashboard Design: Displaying Data for At-a-glance Monitoring, 2012.
  6. Covington, D. Analytics. Data Science, Data Analysis and Predictive Analytics for Business. 5th ed
  7. Stanton, Jeffrey. Introduction to Data Science, 2012.
  8. Rendgen, Sandra; Wiedemann, Julius. Information Graphics, 2012.
  9. Hanneman, R. A., Riddle, M. Introduction to social network methods. Riverside, 2005.
  10. Hubbard, D. W. How to Measure Anything: Finding the Value of Intangibles in Business 3rd Edition, 2014.