Бакалавриат 2025/2026

Прикладные методы анализа данных при создании информационно-аналитических систем

ID 964828

Статус: Курс обязательный (Информатика и вычислительная техника)

Кто читает: Базовая кафедра информационно-аналитических систем ЗАО «ЕС-лизинг»

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 4-й курс, 1-3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Новиков Роман Сергеевич

Язык: русский

Кредиты: 8

Контактные часы: 76

Программа дисциплины

Аннотация

Учебная дисциплина посвящена изучению возможностей и ограничений математического аппарата (машинного обучения и статистических методов), изучению опыта использования алгоритмов анализа данных при разработке и реализации информационно-аналитических систем (ИАС) в различных экономических сферах. Курс включает в себя изучение постановки и решения задач методами анализа данных, подготовке данных к использованию математическими моделями, изучение особенностей и этапов применения данных, методов анализа данных (линейные модели, логические модели, ансамбли, нейронные сети) при создании ИАС, в том числе на языке программирования Python. Пререквизиты: линейная алгебра, теория вероятностей и математическая статистика; базовое программирование на Python; базовые понятия машинного обучения.

Цель освоения дисциплины

• Развитие и закрепление практических навыков в построении математического обеспечения информационно-аналитических систем, включающих интеллектуальную обработку данных
• Приобретение студентами знаний о применении различных статистических, математических методов анализа данных
• Приобретение студентами навыка разработки и построения математического обеспечения корпоративных обучаемых экспертных систем, используемых для поддержки принятия решений

Планируемые результаты обучения

• Объясняет общие принципы построения и цели создания информационно-аналитических систем для решения прикладных задач.
• Различает и выявляет типы данных, пропуски, аномалии и выбросы в рамках описательного анализа
• Преобразовывает переменные, обрабатывает пропуски и выбросы, используя общие возможности Python для предобработки данных
• Рассчитывает и решает задачи балансировки классов и оптимизации гиперпараметров классических моделей ML
• Сравнивает метрики качества для оценки эффективности моделей линейной и логистической регрессии, деревьев решений
• Различает и распознаёт типы задач, для решения которых применяются бэггинг, бустинг, методы кластеризации и KNN.
• Объясняет принципы работы ансамблевых методов (бэггинг, бустинг), методов снижения размерности и кластеризации
• Рассчитывает расстояния для метода ближайших соседей и преобразовывает данные для снижения размерности
• Аргументирует выбор конкретного алгоритма машинного обучения и его конфигурации для решения поставленной бизнес-задачи
• Разрабатывает скрипты с использованием MLflow для трекинга экспериментов
• Объясняет базовые принципы работы и архитектуры нейронных сетей (сверточных) и основ причинного вывода (uplift-моделирование)
• Прогнозирует потенциальный эффект (uplift) от маркетинговых вмешательств, используя методы причинного вывода
• Сравнивает подходы к построению рекомендательных систем (коллаборативная фильтрация, контентно-ориентированные) и взвешивает их альтернативы
• Доказывает результативность своего решения в ходе презентации итоговой исследовательской работы, обосновывая выбор методов и интерпретируя полученные результаты

Содержание учебной дисциплины

• Основы построения ИАС, подготовка данных и классические модели ML
  В ходе изучения данного раздела студент в рамках самостоятельной работы студент начнет работу над индивидуальной исследовательской работой в качестве собственного сквозного кейса: постановка задачи и поиск данных, предварительный анализ и обработка данных, моделирование и оценка моделей
• Построение классических моделей машинного обучения
  В ходе изучения данного раздела студент продолжает работу над индивидуальной исследовательской работой как сквозным кейсом: дополнительный анализ и обработка данных, моделирование и оценка более сложных моделей (ансамбли), интерпретация работы модели.
• Некоторые продвинутые подходы к решению специализированных задач анализа данных
  В ходе изучения данного раздела студент продолжает работу над индивидуальной исследовательской работой как сквозным кейсом: постановка дополнительной задачи, дополнительный анализ и обработка данных, моделирование и оценка специализированных моделей.

Элементы контроля

• Активность
• Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией
• Экзамен

Промежуточная аттестация

• 2025/2026 2nd module
  0.5 * Активность
• 2025/2026 3rd module
  0.1 * Активность + 0.4 * Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией + 0.5 * Экзамен

Список литературы

Рекомендуемая основная литература

• Data Science : наука о данных с нуля, Грас, Дж., 2018
• Data science for business : what you need to know about data mining and data-analytic thinking, Provost, F., 2013
• Python и анализ данных : первичная обработка данных с применением pandas, NumPy и Jupiter, Маккинни, У., 2023

Рекомендуемая дополнительная литература

• Введение в автоматизированное машинное обучение (AutoML) - Хуттер Ф., Коттхофф Л., Ваншорен Х. - Издательство "ДМК Пресс" - 978-5-93700-196-2 - 2023 - русский - https://e.lanbook.com/book/348104 - ЛАНЬ - 348104

Авторы

• Новиков Роман Сергеевич
• Романова Ирина Ивановна