מבנה המסלול Business and Data Analytics

This is a course in calculus of functions of one and several variables. Calculus is a fundamental theory that consists of the mathematical tools that are necessary for analyzing functions, whether of one or more variables, and form the underlying basis for many disciplines of science, among which is data science.

קורס זה מהווה המשך לקורס הסטטיסטיקה הראשון ועוסק בנושאים מתקדמים בסטטיסטיקה וניתוח סטטיסטי. בין הנושאים הנלמדים: רגרסיה חד ורב משתנית, אינפורמציה, factor analysis, PCA, LDA.

The course introduces the fundamentals of Information Technology and the Linux operating system, combining theoretical and hands-on approaches.
The course takes a deep dive into the theory behind hardware, OS, networks, virtualization, cloud computing, and security; all while taking the first steps in using the Linux operating system, the Bash scripting language, and the various essential POSIX tools used in the industry.
Through these, students will gain the fundamentals and basic principles of Information systems and the necessary professional abilities needed for working with data in Linux environments.

תהליכי ניהול לקוח (customer relations management) מייצרים כמויות גדולות של דאטה תוך כדי פעילות מול הלקוח בערוצים מגוונים. ארגונים עושים שימוש בדאטה זה כדי לשפר את הקשר עם הלקוח וכדי לשפר את התוצאות העסקיות. השתלבות ניתוח הדאטה מאפשר זיהוי תבניות של התנהגות צריכה, חיזוי פעילות של צרכנים, סיווג לקוחות והתאמה אישית של הצעות. מתודולוגיות הניתוח המאפשרות פעילות זו באות מעולמות ה- machine learningוה- ,predictive analyticsבנוסף לכלי האנליזה המוכרים. השתלבות בעולם העסקים המודרני דורשת היכרות עם מתודולוגיות וכלים עדכניים המאפשרים הפקת תובנות בעלות ערך מנתונים גולמיים.
הקורס מקנה לסטודנטים היכרות, הבנה והתנסות עם מתודולוגיות וכלים מבוססי נתונים למענה על שאלות שיווקיות . במסגרת הקורס הסטודנטים ילמדו מה אפשר להפיק מדאטה, יתנסו בשימוש באלגוריתמים של Machine Learning וילמדו לנתח ולהבין תפוקות של ניתוח נתונים.

Firms have to make three fundamental financial decisions: Firstly, firms must decide how to invest their capital (i.e. the capital budgeting decision). Such potential investments can range from purchasing a piece of equipment to an acquisition of another firm. This topic was covered in Fundamentals of Finance.
Second, firms must decide how to finance their investments (the capital structure decision), that is, how much debt should the firm carry and how does debt affect the value of a firm or a project. Finally, firms must decide what to do with profits (the payout decision). Do they reinvest profits or do they distribute them to investors.
This course covers the theory and application of these last-two corporate finance decisions.

בעולם בו קצב השינויים הולך וגדל, יזמות היא אמצעי קריטי להצלחה ולקידומם של מיזמים חדשים ומיזמים תוך חברתיים. מציאות זו תקפה לא רק לפונים לעולם הטכנולוגיה או להקמת מיזמים חדשים, אלא לכל אחד ואחת המעוניינים לרכוש כלים ומיומנויות לניהול יזמות פנים ארגונית.
מטרת הקורס הינה הקניית כלים, ידע ושיטות פרקטיות לניהול והקמה של מיזמים; בדגש על גיוסי כספים, לימוד שפת היזמות, רכישת כלים מקצועיים, שיווק וקידום המיזם, ניתוח עומק למיזמים ועוד. במהלך הקורס, נבחן את האתגרים והתהליכים הקשורים בהקמה מיזם חדש. נצא משלב האתגר ומיקוד הבעיה, להנעת תהליכי צוות ומעבר לחשיבה אסטרטגית סביב היבטי שיווק, IP, מימון, גיוסי הון ועוד. נספק נקודת מבט הוליסטית על מסע היזמות באמצעות פיתוח, השקה וניהול מיזמים חדשים, תוך שילוב תיאוריה ופרקטיקה, דוגמאות, כלים פרקטיים וידע אקדמי עדכני.
הלמידה תיעשה במסגרת עבודת צוות, כאשר כל צוות יהווה צוות ייעוץ עסקי למיזמים בתחומים שונים. נעשה שימוש בכלים שילמדו בכדי להוביל את המיזם בצורה אופטימלית משלב הרעיון ועד יציאה לשוק.

The world around us is abundant with complex phenomena – phenomena involving "systems" of numerous interacting parts. In fact, the vast majority of physical, biological, and socio-economic phenomena are complex. Such phenomena are commonly referred to as complex systems.
Modeling is likely the most effective tool known to mankind for exploration of and gaining insight into complex systems. A significant part of the scientific and technological achievements of mankind over the past centuries can be attributed to our ability to develop and apply models. Modeling allows us to deepen our understanding of the way systems operate, thus enabling us to acquire a deeper understanding of their dynamics and the factors that affect and control their behavior.
This course focuses on approaches to modeling complex systems and specific methods that allow us to explore systems of numerous interacting parts. It demonstrates how mathematical (analytical) and numerical techniques, including agent-based, discrete event simulations, can be used to model complex systems and reproduce various phenomena observed in such systems. It demonstrates how models allow us to explore the dynamics of complex systems and gain insight into phenomena observed in such systems, such as the emergence of long-tailed distributions, the formation of spatial patterns, and the development of collective behaviors.
Students learn to recognize complex phenomena, define and implement models simulating such phenomena, validate numerical simulations, and apply various techniques to analyze synthetic data that such simulations generate. Emphasis is placed on socioeconomic systems that underlie the phenomena we encounter in the realms of societies in general and businesses in particular, thus allowing students to develop the skills necessary to model and analyze them.
While the course touches on some fundamental theoretical aspects behind modeling, for the most part, it adopts a practical approach that allows students to gain initial experience in modeling.

The primary goal of this course is to equip students with the knowledge and skills necessary to generate actionable insights from texts. The course covers numerous topics encountered by data scientists working with texts.
The course covers all of the steps of the typical Natural Language Processing (NLP) pipeline. The core of the course is dedicated to application of machine learning techniques to text analysis and natural language processing. Here, we study variety of techniques, ranging from application of classical machine learning algorithms to the most recent deep learning innovations. Students learn to apply and combine these techniques to  accomplish tasks like topic modelling, information retrieval, text classification, sentiment analysis, tagging, text summarization and generation, analysis of social media for detection of trending topics, mining of product reviews, and application of NLP to recommender systems and other domains.
In addition to the above, the course covers topics such as data acquisition, cleaning, and preprocessing. We also learn how to deploy massive crawlers, retrieve large volumes of texts from databases and collections of documents, store large corpuses efficiently, and clean and organize texts. Emphasis is given to the usage and deployment of handy tools such as Python libraries for sentence segmentation, tokenization, part of speech tagging, stemming and lemmatization, etc.

The goal of the course is to learn a variety of techniques for forecasting based on time series.
We will study the strengths and weaknesses of different approaches and apply the techniques to different case studies. Topics covered include: approaching forecasting, time series data, an overview of forecasting methods, trend and seasonality analysis, smoothing, autocorrelation and external information, performance evaluation.

The course introduces students to the concepts and techniques used in deep learning, with an emphasis on application of the subject matter to a variety of common problems faced by modern businesses.
Students learn the basic principles of deep learning, how to apply deep learning algorithms to various business problems and how to interpret and use the results. The course adopts a hands-on approach that allows students to gain experience in analyzing problems, selecting the best set of tools for a given problem and applying them. Attention is also given to the inseparable topics of collecting, managing, cleaning, and preparing data.
Applications covered by the course include classification of tabular and non-structured data, analysis of time-series data, collaborative filtering and recommender systems, image
classification, and object detection.

Big Data in combination with Machine Learning are transforming the world around us. This course focuses on the key concepts and programming paradigms of this exciting technological frontier. Topics covered include distributed systems (Hadoop), NoSQL Databases, Kafka and Spark, and how they can be used to store, process, and analyze massive data sets. The course uses a practical hands-on approach to teach students how to effectively approach a broad set of large-scale data analysis problems.

הקורס מציג בפני הסטודנטים את תחום תורת הרשתות ואת היישומים הרבים שלה, החל מרשתות חברתיות מקוונות ורשתות תקשורת טלפוניה ומחשבים, וכלה בחיפוש, שיווק, גילויי הונאה, אפידמיולוגיה ותהליכים דינמיים ברשתות כגון הפצת מידע, דעות והתנהגויות.
הנושאים הנלמדים בקורס כוללים: סוגי רשתות, מודלים של גרפיים אקראיים, מוטיבים ברשת, מבנה קהילתי, חוסן של רשתות, ותהליכים ברשתות חברתיות - וכולל מושגים ספציפיים כגון הפצת מידע מפה לאוזן, חורים מבניים, השפעת עמיתים, הומופיליה והפצת מידע.
בקורס ניתן דגש על יישום מעשי של ניתוח רשתות הכולל מתודולוגיות וכלים לאיסוף נתוני רשת, ניתוח רשתות וויזואליזציה.