Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Quantitative analysis for managerial decisions (prof. PHILIPPE DE BROUWER, HSBC Krakow)
Tok studiów:
2019/2020
Kod:
AMAT-2-109-MF-s
Wydział:
Matematyki Stosowanej
Poziom studiów:
Studia II stopnia
Specjalność:
Matematyka finansowa
Kierunek:
Matematyka
Semestr:
1
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Dzieża Jerzy (dzieza@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Quantitative analysis for managerial decisions

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 •know the basics of statistics and data manipulations•know at least one analytical tool (R)•know the limitations and possibilities of models, tools and visualizations MAT2A_W12, MAT2A_W10, MAT2A_W08 Kolokwium,
Odpowiedź ustna
Umiejętności: potrafi
M_U001 •make a project: identify the issue, get data, select a method, do the maths and finally present the result. MAT2A_U22, MAT2A_K07, MAT2A_K02, MAT2A_U13, MAT2A_K06, MAT2A_U15, MAT2A_K05 Prezentacja,
Projekt
M_U002 •apply this knowledge to •mine data•make informed decisions based on data and facts•identify opportunities of improvement MAT2A_U20, MAT2A_U18, MAT2A_U16 Kolokwium,
Odpowiedź ustna
M_U003 •understand the importance data in decision-making•understand when what method can be used and what their limitations are•understand the limitations of methods and models MAT2A_W11, MAT2A_U20, MAT2A_U12, MAT2A_W12, MAT2A_W09, MAT2A_U21, MAT2A_U11, MAT2A_W10, MAT2A_U16 Kolokwium,
Odpowiedź ustna
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 0 0 0 0 30 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 •know the basics of statistics and data manipulations•know at least one analytical tool (R)•know the limitations and possibilities of models, tools and visualizations - - - - + - - - - - -
Umiejętności
M_U001 •make a project: identify the issue, get data, select a method, do the maths and finally present the result. - - - - + - - - - - -
M_U002 •apply this knowledge to •mine data•make informed decisions based on data and facts•identify opportunities of improvement - - - - + - - - - - -
M_U003 •understand the importance data in decision-making•understand when what method can be used and what their limitations are•understand the limitations of methods and models - - - - + - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 50 godz
Punkty ECTS za moduł 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 godz
Samodzielne studiowanie tematyki zajęć 10 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Konwersatorium (30h):

PROF. PHILIPPE DE BROUWER
PHILIPPE@DE-BROUWER.COM

Description

We are at the eve of a new industrial revolution that will be based on information and new technology. Key in this revolution will be the use of data, analytics, machine learning and mathematical modeling. This course aims to provide insight in these developments but it also aims to provide students tools that will help them to be more successful in a corporate environment.

Specific objectives are:

• know the basics of statistics and data manipulations
• know at least one analytical tool®
• know the limitations and possibilities of models, tools and visualizations
• understand the importance data in decision-making
• understand when what method can be used and what their limitations are
• understand the limitations of methods and models
• apply this knowledge to
• mine data
• make informed decisions based on data and facts
• identify opportunities of improvement
• make a project: identify the issue, get data, select a method, do the maths and finally present the result.

Design

PART I: Theory
1. Introduction: economic cycles and the technology of the future
2. Introduction to modelling with R
a) the basics of programming in R
b) levels of measurement
c) selected notions of statistics
a) levels of measurement
b) measures of central tendency
c) measures of variation and spread
d) measures of covariation
e) regression models
f) model performance
g) distributions
h) anova
i) time series analysis
j) decision trees
k) random forest
l) chi square tests
m) bootstrapping

3. Valuation of financial assets and companies
4. Multi Criteria Decision Analysis

PART II: Practice

1. Guided modeling exercises (preparation for the final presentation)
2. Guest speakers from different companies that bring each a specific topic, models and eventually data so students can try the methods learned)
3. project (“ selected assignment”)
1. preparation of a “ board paper” (showing that the student is able to work with data and communicate about it)
2. presentation of the results

Pozostałe informacje
Metody i techniki kształcenia:
  • Konwersatorium: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

-

Zasady udziału w zajęciach:
  • Konwersatorium:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

Grading
10% presence in classroom
40% collaboration in classroom
50% selected assignment

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

The student should report to the teacher in order to determine the individual way of catching up.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

-

Zalecana literatura i pomoce naukowe:

Materials
1. the book “Introduction to statistics and data mining with R”
2. the book “Valuation of Financial Assets and companies”
3. the book “Multiple Criteria Decision Analysis”
4. code snippets
5. links to papers and articles

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

-

Informacje dodatkowe:

The Selected Assignment (“project”)
A project can be an individual work or a group work (a “group” is one to 4 persons), that uses at least one of the methods learned. The project aims to practice the methods learned, formulate hypotheses, test them and present the results in a convincing way.
During the last lesson each project can be presented in a “15 minutes elevator pitch”. Elevator pitch presentations are assessed as follows
40% for the idea and its viability
30% for the logical structure of the presentation
30% for the presentation itself (quality of slides if used + oratorical qualities)

(start in winter semester 2018/19)