Методы интеллектуального анализа данных и продвинутой аналитики

Магистратура 2026/2027

ID 1146672

Статус: Курс обязательный (Бизнес- и ИТ-архитектура высокотехнологичных компаний)

Кто читает: Департамент бизнес-информатики и операционного менеджмента

Где читается: Санкт-Петербургская школа экономики и менеджмента

Когда читается: 1-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Колцун Никита Валерьевич

Язык: русский

Кредиты: 3

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Основы машинного и глубокого обучения» направлена на формирование у студентов практических компетенций в области анализа данных и построения интеллектуальных систем для решения задач бизнеса. Курс охватывает полный жизненный цикл разработки решений на основе данных: от предварительной обработки и разведочного анализа до построения прогностических моделей, их валидации и подготовки к практическому применению. Особое внимание уделяется интерпретации результатов работы алгоритмов, оценке экономического эффекта от внедрения моделей, а также современным подходам, включая ансамблевые методы и использование предобученных нейронных сетей (трансферное обучение). Практическая часть курса реализуется с использованием современных программных средств анализа данных, что позволяет студентам освоить востребованные на рынке методы и подходы.

Цель освоения дисциплины

Формирование прикладной компетенции: научить студентов формализовать бизнес-задачи для их решения методами машинного обучения и обоснованно выбирать соответствующие алгоритмы
Освоение методологии: дать практические навыки работы с данными, включая их сбор, очистку, анализ и подготовку для последующего моделирования
Понимание жизненного цикла: сформировать системное представление о процессе разработки ML-продукта, включая этапы валидации, сохранения модели для дальнейшего использования и понимания рисков снижения ее точности со временем
Развитие аналитического мышления: научить критически оценивать результаты работы алгоритмов и их применимость в реальных бизнес-процессах

Планируемые результаты обучения

Знать основные парадигмы машинного обучения (обучение с учителем, без учителя) и области их применения
Знать принципы работы ключевых семейств алгоритмов, включая линейные модели, методы на основе деревьев решений, ансамблевые подходы и базовые архитектуры нейронных сетей
Знать стандартные метрики для оценки качества моделей классификации и регрессии, а также методы их интерпретации
Знать основные этапы жизненного цикла модели, включая концепции сериализации, инференса и деградации модели
Уметь проводить разведочный анализ данных, выявлять аномалии и визуализировать ключевые зависимости в наборах данных
Уметь выполнять предобработку данных: применять стратегии для обработки пропусков, преобразовывать признаки и осуществлять их масштабирование
Уметь обучать, валидировать и проводить сравнительный анализ моделей машинного обучения для решения практических задач
Уметь применять концепцию трансферного обучения для решения задач с использованием готовых предобученных моделей
Уметь готовить обученные модели к внедрению, включая их сохранение и разработку интерфейсов для применения на новых данных
Владеть навыками быстрого прототипирования решений в области машинного обучения
Владеть методологией проведения экспериментов и сравнения эффективности различных алгоритмов для выбора оптимального решения
Владеть базовыми программными инструментами для выполнения векторных вычислений и манипуляции табличными данными

Содержание учебной дисциплины

Введение и Разведочный анализ (EDA)
Подготовка данных (Feature Engineering)
Обучение с учителем: от простых моделей к Ансамблям
Жизненный цикл модели (Основы MLOps)
Обучение без учителя: Кластеризация

Элементы контроля

Тестирование
Проект
Студент выбирает прикладную бизнес-задачу (например, прогнозирование оттока клиентов, классификация тональности отзывов, сегментация пользователей) и разрабатывает полное ML-решение: от разведочного анализа данных и предобработки до обучения моделей, их сравнения и интерпретации результатов. Итоговый проект оформляется в виде Jupyter Notebook и презентации. Защита проекта проходит в форме доклада с ответами на вопросы.
Лабораторные работы
Выполнение лабораторных работ

Промежуточная аттестация

2026/2027 4th module
0.2 * Тестирование + 0.6 * Проект + 0.2 * Лабораторные работы

Список литературы

Авторы

Орлова Екатерина Дмитриевна

Программа дисциплины