Современные методы анализа данных и машинного обучения

2023/2024

Учебный год

RUS

Обучение ведется на русском языке

7

Кредиты

Кто читает:

Департамент бизнес-информатики

Статус:

Курс обязательный

Когда читается:

3-й курс, 3, 4 модуль

Преподаватели

Паточенко Евгений Анатольевич

Саночкин Юрий Ильич

Программа дисциплины

Аннотация

Данный курс посвящен изучению основ анализа данных, построения визуализаций, применения продуктовых гипотез, аналитики данных, дата-инжиниринга, а также различных алгоритмов, применяемых при работе с данными и извлечении бизнес-выводов на основе них. В контексте курса делается упор на составляющую аналитики данных с подробным обсуждением специализированных библиотек для работы с данными и осуществления разведочного анализа данных, а также библиотек для применения классического и глубинного машинного обучения для реализации решаемых бизнес-задач.

Цель освоения дисциплины

• Знакомство с языком программирования Python. Уверенное владение языком на базовом уровне для решения задач аналитики. Умение применять специальные библиотеки Numpy, Pandas для анализа бизнес-данных
• Выработка навыков осуществления первичного анализа данных, построения визуализаций данных и их интерпретация
• Знакомство с основными продуктовыми гипотезами, продуктовыми метриками. Умение их применять при решении бизнес-задач на практике
• Ознакомление с принципами извлечения данных с внешних ресурсов и обработки полученных данных
• Проработка математической основы использования машинного обучения, применение линейной алгебры и математического анализа для осуществления алгоритмов
• Знакомство с машинным обучением в контексте задач классического машинного обучения без учителя
• Знакомство с машинным обучением в контексте задач классического машинного обучения с учителем
• Изучение принципов глубинного обучения и применения их на практике для решения бизнес-задач

Планируемые результаты обучения

• Владеть основами синтаксиса языка программирования Python
• Уметь писать простые программы на языке программирования Python
• Уметь применять специальные библиотеки Python для решения простых задач анализа данных
• Владеть основами синтаксиса специальных библиотек для анализа данных: Numpy, Pandas
• Владеть основами синтаксиса библиотек Matplotlib, Seaborn
• Строить простейшие визуализации данных
• Применять на практике основы EDA, осуществлять разведочный анализ данных
• Работать с интерактивными визуализациями
• Уметь вычислять и анализировать продуктовые метрики
• Уметь строить и проверять продуктовые гипотезы
• Осуществлять парсинг данных с внешних ресурсов
• Работать с API внешних ресурсов
• Уметь применять знания линейной алгебры в Python
• Уметь применять знания математического анализа в Python
• Использовать математический анализ и линейную алгебру для математического обоснования и оптимизации решений задач машинного обучения
• Уметь применять машинное обучение для решения задач анализа данных
• Дифференцировать методы машинного обучения по типам решаемых задач, метрикам качества, функциям ошибки, применять методы машинного обучения на практике
• Решать задачи кластеризации на практике с использованием методов машинного обучения
• Уметь применять нейронные сети для решения различных задач машинного обучения

Содержание учебной дисциплины

• Введение в Python и библиотеки для анализа данных
• Задачи анализа данных, аналитики, основы EDA
• Продуктовые гипотезы, продуктовые метрики
• Извлечение данных
• Математика для машинного обучения
• Классическое машинное обучение. Обучение с учителем
• Классическое машинное обучение. Обучение без учителя
• Основы глубинного обучения

Элементы контроля

• ДЗ
  Средняя оценка за все практические домашние задания, предусмотренные на курсе
• ГП
  Средняя оценка за все практические групповые инициативные проекты, предусмотренные на курсе
• Активность
  Оценивание посещения и активности студента на семинарах, а также активности на лекциях
• КР
  Контрольная работа представляет собой проверочный элемент контроля, выполняемый студентами по результатам освоения первой половины курса
• Экзамен
  Экзамен представляет собой практическую работу, выполняемую студентами по результатам освоения курса

Промежуточная аттестация

• 2023/2024 4th module
  0.14 * Активность + 0.12 * ГП + 0.28 * ДЗ + 0.14 * КР + 0.32 * Экзамен

Список литературы

Рекомендуемая основная литература

• Pandas for everyone : Python data analysis, Chen, D. Y., 2023
• Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
• Python для data science, Васильев, Ю., 2023
• Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018
• Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
• Анализ социальных медиа на Python : извлекайте и анализируйте данные из всех уголков социальной паутины на Python, Бонцанини, М., 2018
• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
• Дифференциальное исчисление и исследование функций многих переменных : Учебное пособие, Михайлова, И.Г., 2014
• Когнитивная бизнес-аналитика : учеб. пособие для вузов, Абдикеев, Н. М., 2012
• Линейная алгебра и функции многих переменных : учеб. пособие для физ. специальностей ун-тов, Булдырев, В. С., 1985
• Нейронные сети. Полный курс : пер. с англ., Хайкин, С., 2018

Рекомендуемая дополнительная литература

• Good charts : the HBR guide to making smarter, more persuasive data visualizations, Berinato, S., 2016
• Visualizations and dashboards for learning analytics, , 2021
• Бизнес-аналитика: от данных к знаниям : учеб. пособие, Паклин Н.Б., Орешков В.И., 2010
• Большие данные в образовании: анализ данных как основание принятия управленческих решений : сб. науч. ст. I Международной конференции, 15 окт. 2020 г., Москва, , 2020
• Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика, Усков, А. А., 2004
• Искусственные нейронные сети : теория и практика, Круглов, В. В., 2002
• Краткий курс математического анализа. Т.2: Дифференциальное и интегральное исчисления функций многих переменных. Гармонический анализ, Кудрявцев, Л. Д., 2008
• Машинное обучение : наука и искусство построения алгоритмов, которые извлекают знания из данных, Флах, П., 2015