Циљ:Студенти ће се упознати са различитим типовима података, процесом припреме и креирања скупа за анализу података као и поступком креирања различитих визуелизација применом софтверских алата и система база података. Студенати ће развити и разумеавње о савременим методама планирања експеримента, обраде и анализе експерименталних података.
Исход:Студенти ће бити оспособљени да самостално истражују, креирају скупове података користећи аналитичке алатеи системе база података за обраду и визуелизацију података у функцији доношења пословних одлука.
Садржај предмета
Теоријска настава:
Наука о подацима.
Феномен података.
Разумевање и описивање података.
Структуираност података.
Увоз и извоз података. Анализа коришћењем комплексних типова података.
SQL за анализу и припрему података.
Перформатирани SQL.
Агрегатне функције и функција window.
Визуализација података.
Python у функцији анализе података.
Библиотеке Pandas, Seaborn и Matplotlib.
Маркетинг информациони системи. Процес маркетинг истраживања. Методе маркетинг истраживања. Анкетирање у маркетинг истраживањима.
Практична настава:
Вежбе прате излагање на предавањима. На лабораторијским вежбама студенти се обучавају за прикупљање, обраду, анализу и визуализацију података имплементацијом PostrgesSQL система база података, Microsoft Power BI аналитичког алата, Jupyter и Google Colab интерактивног окружења за рад са Python библиотекама и Google упитника.
Литература
Sinan Ozdemir,Principles of Data Science, Packt Publishing Ltd, Birminghem, 2016.
Joel Grus, Data Science from Scratch: First Principles with Python, 2nd Edition, O’Relly, 2019.
Wes McKinney, Python for Data Analysis, O'Reilly Media", 2012.
Младен Варга, Управљање подацима, Елемент, 2012.
Upom Malik , Matt Goldwasser, Benjamin Johnston, SQL za analizu podataka, Компјутер библиотека, 2019.
Милан Галагоза, Маркетинг и менаџмент истраживања, ММ Colege, 2005.
Димић, Г., Пецић, Љ., Анализа података – приручник за лабораторијске вежбе.
