Бакалавриат
2026/2027
Научно-исследовательский семинар "Введение в Python и анализ данных"
Статус:
Курс по выбору (Разработка игр и цифровых продуктов)
Кто читает:
Департамент программной инженерии
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 1-3 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Бураков Даниил Игоревич
Язык:
русский
Кредиты:
3
Контактные часы:
48
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 module0.2 * Контрольная работа - Введение в анализ данных + 0.2 * Контрольная работа - Введение в Python + 0.1 * Квизы + 0.2 * Практические задания + 0.3 * Исследовательский проект
