Прикладные методы сбора, анализа и визуализации данных

Магистратура 2026/2027

Статус: Курс по выбору (Управление цифровым продуктом)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 2-й курс, 1 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Прикладные методы сбора, анализа и визуализации данных» познакомит студентов со всеми этапами работы с данными: от их сбора и подготовки до визуализации, статистического анализа и построения моделей. В основе курса лежит практический подход и освоение инструментов, востребованных в современной аналитике. Студенты научатся подготавливать, анализировать и визуализировать данные с помощью электронных таблиц и Python, формулировать аналитические задачи и представлять результаты в наглядной форме. Они познакомятся с принципами построения BI-систем на примере практического кейса в Yandex DataLens. Отдельное внимание уделяется работе с базами данных и языком SQL, методам проверки статистических гипотез, анализу временных рядов, а также современным подходам к построению моделей и оценке их качества. Курс поможет превратить данные из набора разрозненных фактов в инструмент для принятия обоснованных решений.

Цель освоения дисциплины

Целью освоения дисциплины «Прикладные методы сбора, анализа и визуализации данных» является формирование у студентов системных знаний и практических навыков в области работы с данными на всех этапах их жизненного цикла — от сбора и предобработки до визуализации, статистического анализа и построения прогнозных моделей. Получение новых компетенций, необходимых для профессиональной деятельности в сфере разработки новых и улучшении существующих продуктов, процессов и сервисов организации

Планируемые результаты обучения

Знать основные понятия анализа данных, типы данных и шкалы измерений
Знать принципы предобработки и очистки данных
Знать задачи и методы визуализации данных, критерии выбора типа визуализации
Знать архитектуру и функциональные возможности BI-систем
Знать основы языка SQL (DDL, DML) и принципы работы с реляционными базами данных
Знать статистические методы проверки гипотез, включая расчёт p-значения и принятие решений
Знать основные модели машинного обучения: регрессия, кластеризация
Уметь выполнять предобработку данных с использованием Python или электронных таблиц
Уметь строить корректные и наглядные визуализации данных, избегая типичных ошибок
Уметь формулировать и проверять статистические гипотезы, интерпретировать результаты
Уметь применять методы машинного обучения для решения задач регрессии и кластеризации
Уметь писать простейшие SQL-запросы для извлечения и обработки данных
Владеть методами оценки качества моделей (валидация, метрики, выбор модели под задачу
Владеть практическими приёмами работы с BI-системами для сквозной аналитики

Содержание учебной дисциплины

Введение в науку о данных. Инструменты для обработки данных
Визуализация данных
BI- системы
Системы управления базами данных
5. Анализ данных: проверка гипотез
Анализ данных: моделирование

Элементы контроля

Экзамен
Студенты выполняют тесты в LMS (всего 5 заданий). Задания могут содержать вопросы с выбором одного или нескольких правильных ответов, а также задания с вводом ответа. Время выполнения промежуточного теста - 120 минут. Количество попыток для каждого задания — 2. Итоговая оценка за задание определяется по наилучшему результату из двух попыток. Запрещено использование любых гаджетов, наушников, разговоры.
Посещаемость
Контроль осуществляется путем фиксации присутствия студентов на каждом лекционном и семинарском занятии курса. Оценка выставляется на основе прогрессивной шкалы требований к дисциплине. Максимальный балл (10) присваивается только при отсутствии пропусков. **Правило 50%:** При пропуске более 50% занятий элемент оценивается в **0.1 баллов**, независимо от причин пропусков. Присутствие студента на занятии засчитывается ТОЛЬКО при соблюдении всех условий: 1. **Тайминг:** Студент может зайти на занятие не позднее чем через **10 минут** после начала. Опоздание > 10 мин = отсутствие. 2. **Целостность:** Студент присутствует до окончания занятия. З. **Вовлеченность:** Студент не занимается посторонней деятельностью и не использует гаджеты (если это не предусмотрено форматом). **Борьба с нечестностью:** В случае выявления факта недостоверного подтверждения посещаемости, оценка за элемент «Посещаемость» устанавливается равной **0.1 баллу**. Фиксация присутствия осуществляется преподавателем (в том числе с использованием технических средств). Студент обязан иметь при себе пропуск для подтверждения присутствия.
Итоговый групповой проект
Описание: групповое задание (максимум 3 участника) разработку полного цикла работы с данными — от формирования и предобработки набора данных до разработки аналитического решения, получения обоснованных выводов и их наглядного визуального представления:
Домашние задания
Описание: По итогам каждого раздела студент выполняет домашнее задание в системе LMS (всего 6 заданий). Каждое задание включает до 5 вопросов, которые могут быть представлены в формате выбора одного или нескольких вариантов, ввода текстового ответа или написания кода. Количество попыток на выполнение одного вопроса варьируется от 1 до 3. Проверка выполняется автоматически.

Промежуточная аттестация

2026/2027 1st module
0.2 * Домашние задания + 0.1 * Посещаемость + 0.4 * Экзамен + 0.3 * Итоговый групповой проект

Список литературы

Авторы

Редькина Галина Сергеевна

Программа дисциплины