Научно-исследовательский семинар "Введение в Python и анализ данных"

2026/2027

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент программной инженерии

Статус:

Курс по выбору

Когда читается:

2-й курс, 1-3 модуль

Преподаватель

Бураков Даниил Игоревич

Программа дисциплины

Аннотация

Эта дисциплина знакомит с основами быстро развивающейся научной области: интеллектуальным анализом данных, включая основы машинного обучения. В дисциплине рассматриваются наиболее распространенные проблемы машинного обучения (классификация, регрессия, уменьшение размерности, кластеризация, коллаборативная фильтрация и др). Представлены наиболее известные и широко используемые алгоритмы, подходящие для решения этих задач. Для каждого алгоритма анализируются его исходные данные, преимущества и недостатки, а также связи с другими алгоритмами, чтобы обеспечить глубокое и критическое понимание предмета. Особое внимание в дисциплине уделяется развитию практических навыков. Студентам предлагается применить изученные алгоритмы к реальным данным, критически проанализировать их результаты. Алгоритмы машинного обучения изучаются с использованием языка программирования python и связанных с ним библиотек.

Цель освоения дисциплины

• Формирование навыков программирования на языке Python, анализа и визуализации данных, построения и оценки моделей машинного обучения с использованием современных программных библиотек.
• Развитие способности применять методы анализа данных и машинного обучения для решения учебных, исследовательских и прикладных задач.

Планируемые результаты обучения

• Уметь разрабатывать программы на языке Python с использованием основных управляющих конструкций, коллекций, функций, модулей и механизмов обработки исключений.
• Уметь применять объектно-ориентированный подход при разработке программ на языке Python.
• Уметь выполнять численные вычисления и операции с многомерными массивами с использованием библиотеки NumPy.
• Уметь загружать, фильтровать, преобразовывать, объединять и агрегировать табличные данные с использованием библиотеки pandas.
• Уметь выявлять и обрабатывать пропущенные значения, дубликаты, выбросы и некорректные данные.
• Уметь проводить описательный и разведочный анализ данных.
• Уметь строить, настраивать и интерпретировать графики с использованием библиотек Matplotlib и Seaborn.
• Уметь анализировать распределения и взаимосвязи между переменными и представлять результаты анализа в форме, доступной для целевой аудитории.
• Уметь подготавливать числовые и категориальные признаки для построения моделей машинного обучения.
• Уметь разделять данные на обучающую, валидационную и тестовую выборки и организовывать воспроизводимый вычислительный эксперимент.
• Уметь строить модели регрессии и классификации с использованием библиотеки scikit-learn.
• Уметь оценивать качество моделей машинного обучения, проводить кросс-валидацию и подбирать гиперпараметры.
• Уметь сравнивать модели машинного обучения и обосновывать выбор модели для решения поставленной задачи.
• Уметь создавать, обучать и оценивать простые полносвязные нейронные сети.
• Уметь выполнять полный цикл решения задачи анализа данных: от загрузки и подготовки данных до построения модели, интерпретации результатов и представления выводов.

Содержание учебной дисциплины

• Введение в Python
• Объектно-ориентированное программирование в Python
• Численные вычисления с NumPy
• Обработка табличных данных в pandas
• Разведочный анализ и визуализация данных
• Методы машинного обучения
• Основы нейронных сетей

Элементы контроля

• Исследовательский проект
• Квизы
• Практические задания
• Контрольная работа - Введение в Python
• Контрольная работа - Введение в анализ данных

Промежуточная аттестация

• 2026/2027 3rd module
  0.2 * Контрольная работа - Введение в анализ данных + 0.2 * Контрольная работа - Введение в Python + 0.1 * Квизы + 0.2 * Практические задания + 0.3 * Исследовательский проект

Список литературы

Рекомендуемая основная литература

• Изучаем Python. Т.1: ., Лутц, М., 2020
• Изучаем Python. Т.2: ., Лутц, М., 2020

Рекомендуемая дополнительная литература

• Foundations of machine learning, Mohri, M., 2012

Авторы

• Бураков Даниил Игоревич