U okviru ADA projekta će u toku juna 2021. godine biti ogranizovan prvi ciklus LLL kurseva, namenjenih pre svega unapređenju znanja zaposlenih, i to pre svega iz oblasti napredne analize podataka. Prvi ciklus  će biti, zbog trenutne epidemiološke situacije, organizovan online a ponuđeni su sledeći kursevi:

Associate Professor

Vienna University of Economics and Business, Austria

Sadržaj/Content:

The hype surrounding Artificial Intelligence especially due to the public perception of applications of Deep Learning for various image classification as well as game playing revolutions (Deep Mind AlphaGo) led to the believe that these methods can be used as a Black Box to solve all business and management problems automatically. However, most AI success stories do not translate to business problems, because in the case of image processing we are basically only concerned with two dimensions (of the images) and game playing advanced (see e.g. chess and DeepBlue) have shown to be very problematic when applied to management problems which are often concerned with humans or markets where the unavailability of all required data is prevalent. Many companies hire AI consultants and AI startups plainly out of FOMO and are disappointed by the results.

In this course we are putting AI in relation to Expectation Management, i.e. what can be done and how it can be done. A second important part is concerned with the understanding the language of Data Scientists without Mathematics. The content of this course is as follows:

– Introduction to Artificial Intelligence for Business and Management

– Real-World Feature Engineering

– The Art of Modeling Data – Machine Learning, Statistical Learning and Deep Learning

– A taxonomy of Machine Learning models and how to relate models to business problems

– Working with Text – Text Mining and Natural Language Processing

Full Professor

University of Rome Tor Vergata, Italy

Sadržaj/Content:

This course focuses on business skills that are relevant for any job, in any industry and in any organization. Independent from their working experience, the programme covers effective communication with focus on public speaking, including synthesizing your thinking into memorable messages and delivering those messages in a manner tailored to the client audience. The content of the course are the following:

1. Team building exercise, theory and feedback
2. Communication and presentation skills
3. Exercises in public speaking
4. Prioritization
5. Develop the open issues analysis
6. Finalize problem solving cycle
7. Finalize group presentations and present

This course is built on short plenary sessions of theory and classroom discussions and then teamwork and group presentations of proposed solutions related to the relevant theory. Participants will be taken through the whole problem-solving communication issue, including interviewing exercises and public speaking training. To sum up, the success of this module is heavily dependent on the involvement and contribution from the participants.

Associate Professor

University of Macedonia and CERTH, Greece

Sadržaj/Content:

Decision problems, such as those of classification, ranking, and optimal choice between a set of alternative actions, are common in the modern business environment and almost always the decision-maker has to take into account many conflicting and different criteria. The problems, whether they concern the strategic, the tactical, or the daily business level of decision making, are complex and the ideal solution in most cases is almost impossible. The primary goal of the course is to familiarize participants with the basic concepts of multiple criteria decision theory and modeling and also focus on two relevant methodologies for making administrative decisions. More specifically the following methods will be presented:

• Preference Ranking Organization METHod for Enriched Evaluation (PROMETHEE)
• Technique of Order Preference Similarity to the Ideal Solution (TOPSIS)

Vanredni profesor

Fakultet tehničkih nauka

Univerzitet u Novom Sadu

Sadržaj:

– Uvod u mašinsko učenje

– Formalno predstavljanje znanja

– Algoritmi

– Linearna regresija

– Veštačke neuronske mreže

– Stabla odlučivanja

– Random forest

– Analiza primera

Docent

Matematički fakultet

Univerzitet u Beogradu

Sadržaj:

Statističko zaključivanje povezano je sa davanjem predloga o populaciji na osnovu podataka dobijenih iz populacije uz neki oblik uzorkovanja. Razumevanje statističkog zaključivanja korisno je u širem kontekstu analitike podataka, posebno u mašinskom učenju.

Pojmovi i tehnike statističkog zaključivanja najpre se uvode kroz pregled i prezentaciju teorijskih osnova, nakon čega sledi praktični rad koristeći savremeni softver.

1.Uvod u statistiku

    a) Statistički skup

    b) Statistička karakteristika

    c) Uzimanje uzorka

2. Deskriptivna statistika

    a) Prikupljanje, priprema i vizuelizacija podataka

3. Slučajne promenljive i modeli raspodele

4. Statistika i parametri

5. Procedure estimacije

    a) Tačkaste ocene

    b) Intervali poverenja

6. Testiranje hipoteza

    a) Parametarski testovi

    b) Neparametarski testovi

7. Linearni regresioni modeli

    a) Jednostavna linearna regresija

    b) Višestruka linearna regresija

8. Primena prikazanih metoda i modela u savremenom statističkom softveru

Asistent

Matematički fakultet

Univerzitet u Beogradu

Sadržaj:

Analitika velikih podataka je relativno novo područje istraživanja usmereno na ispitivanje i eksploataciju ogromnih zbirki podataka (nazvanih Big Data). Da bi prevazišli izazove koje nameću veliki podaci, istraživači i praktičari moraju ili da osmisle nove metode analitike podataka ili da prilagode tradicionalne.

Koncepti i tehnike analitike velikih podataka prvi put se uvode kroz pregled i prezentaciju teorijskih osnova, nakon čega sledi praktični rad koristeći savremeni statistički i simulacioni softver.

Tokom kursa će se razmatrati sledeće teme:

1. Uvod u podatke i nauku u podacima (Data Science)
2. Životni ciklus i metodologija analize podataka
3. Čišćenje i priprema podataka
4. Rezimiranje i vizuelizacija podataka
5. Scikit Learn biblioteka
6. Izgradnja modela podataka u softverskom okruženju
7. Analitika podataka: teorija i metode (nadgledano i nenadgledano učenje sa velikim podacima)
8. Spark 3.0, Spark ML biblioteka
9. Etika upotrebe (i zloupotrebe) podataka

Redovni profesor

Prirodno-matematički fakultet

Univerzitet u Nišu

Sadržaj:

• Uvod u Python (instalacija, okruženje, osnovne naredbe, …)
• Osnove programiranja (promenljive, tipovi, if izraz, petlje, funkcije, liste, nizovi, osnovni algoritmi, …)
• Manipulacija podacima u Pythonu sa pandas (uvoz i izvoz podataka iz /u datoteku, istraživanje podataka, čišćenje, …)
• Vizualizacija podataka u Pythonu pomoću matplotlib (vrste grafika, manipulacija graficima, …)
• Osnovna statistika u Pythonu (deskriptivna statistika, korelacija, testiranje hipoteza, ANOVA, …)
• Napredno modeliranje podataka u Pythonu (linearna regresija, logistička regresija, SVM, Naive Bayes, stabla odlučivanja, nenadgledano učenje, …)

Vanredni profesor

Ekonomski fakultet

Univerzitet u Kragujevcu

Sadržaj:

Cilj kursa je predstaviti najnovija dostignuća u modeliranju rizika i praksi upravljanja portfoliom, zajedno sa njihovom statističkom i kvantitativnom pozadinom. Fokus je na tržišnom riziku koji predstavlja jednu od najvećih briga za finansijske institucije i čini dominantni dio nametnutog regulatornog kapitala za banke i osiguravajuća društva. Shodno tome, rizik će se modelirati u smislu mera koje su u osnovi trenutnih regulatornih predloga. Konkretno, portfoliji će se procenjivati i upoređivati koristeći statističke karakteristike njihove raspodele prinosa sa naglaskom na negativne i kvantilne mere rizika kao što su Value-at-Risk, Conditional Value-at-Risk i Maximum Drawdown.