Прикладные методы анализа географических данных

Бакалавриат 2026/2027

Статус: Курс обязательный (География глобальных изменений и геоинформационные технологии)

Кто читает: Факультет географии и геоинформационных технологий

Где читается: Факультет географии и геоинформационных технологий

Когда читается: 3-й курс, 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Топников Михаил Александрович

Язык: русский

Кредиты: 5

Контактные часы: 40

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Прикладные методы анализа географических данных» направлена на освоение студентами современных инструментов программирования и алгоритмов машинного обучения для решения широкого круга задач в области географии, картографии, экологии и пространственного планирования. В ходе курса слушатели изучат полный цикл анализа данных: от первичной обработки до построения прогнозных моделей и интерпретации результатов. Практическая часть дисциплины базируется на использовании языка программирования Python и его ключевых библиотек. Студенты научатся выполнять загрузку, трансформацию и агрегацию пространственных и табличных данных с помощью библиотек Pandas и NumPy, что позволит эффективно работать с большими массивами географической информации.

Цель освоения дисциплины

Формирование у студентов системного представления о современных прикладных методах анализа географических данных и практических навыков их применения — от базовой обработки и разведочного анализа данных до статистического тестирования гипотез, многомерного анализа и методов причинно-следственного вывода (causal inference) — для решения задач диагностики, объяснения и оценки эффектов пространственно распределённых процессов в сферах транспортного планирования, геомаркетинга, электронной коммерции, шеринговых сервисов и мировой торговли. В рамках курса студенты научатся корректно проектировать статистические исследования и эксперименты, выбирать и обоснованно применять адекватные методы анализа с учётом специфики географических и пространственных данных, интерпретировать полученные результаты и делать на их основе содержательные и статистически корректные выводы, применимые для принятия управленческих и исследовательских решений.

Планируемые результаты обучения

Студенты вспомнят и систематизируют основные типы данных и научатся классифицировать задачи анализа по типу данных
Студенты смогут проводить разведочный анализ данных (EDA) и выявлять базовые закономерности и аномалии в наборе данных
Студенты научатся рассчитывать и интерпретировать описательные статистики (среднее, медиана, дисперсия, квартили)
Студенты смогут выбирать адекватный тип визуализации под задачу и корректно её строить
Студенты поймут логику причинного вывода через рандомизированный эксперимент и смогут спроектировать корректный дизайн A/B-теста
Студенты научатся рассчитывать необходимый размер выборки и мощность теста под заданный минимально детектируемый эффект
Студенты смогут распознавать угрозы валидности эксперимента (spillover, самоотбор, сезонность) и предлагать способы их устранения
Студенты смогут интерпретировать результаты A/B-теста и делать обоснованные выводы
Студенты научатся формулировать нулевую и альтернативную гипотезы и выбирать адекватный статистический тест под тип данных
Студенты смогут корректно интерпретировать p-value, доверительные интервалы и ошибки I и II рода
Студенты освоят построение доверительных интервалов методом бутстреппинга для показателей со сложным распределением
Студенты смогут применять методы Монте-Карло для оценки неопределённости в задачах, где аналитическое решение недоступно
Студенты поймут природу инфляции ошибки первого рода при множественном тестировании и смогут её распознавать в реальных задачах
Студенты научатся применять и сравнивать методы коррекции (Бонферрони, Холма, FDR) и выбирать подходящий метод под задачу
Студенты смогут оценивать компромисс между строгостью коррекции и статистической мощностью при анализе множества географических зон
Студенты научатся рассчитывать и интерпретировать различные коэффициенты корреляции (Пирсона, Спирмена) и понимать их ограничения
Студенты смогут выявлять и интерпретировать ложные корреляции через анализ частной корреляции
Студенты освоят понятие пространственной автокорреляции и научатся рассчитывать и интерпретировать индекс Морана и локальные индикаторы LISA
Студенты смогут применять корреляционный анализ для предварительной диагностики зависимостей перед построением моделей
Студенты поймут логику разложения дисперсии и смогут проверять гипотезы о равенстве средних между несколькими группами
Студенты научатся проводить однофакторный и многофакторный ANOVA/MANOVA и проверять предпосылки применимости методов
Студенты смогут применять post-hoc тесты для попарного сравнения групп с учётом множественных сравнений
Студенты смогут интерпретировать результаты дисперсионного анализа применительно к сравнению территорий или сегментов
Студенты научатся строить и интерпретировать модели линейной и множественной регрессии, включая проверку предпосылок (мультиколлинеарность, гетероскедастичность)
Студенты освоят логистическую регрессию для задач с бинарным откликом
Студенты поймут специфику пространственной регрессии (GWR) и смогут применять её для учёта пространственной неоднородности эффектов
Студенты смогут оценивать качество регрессионных моделей и использовать их для содержательной интерпретации и прогноза
Студенты научатся применять методы кластерного анализа для типологизации территорий и сегментации населения
Студенты освоят метод главных компонент (PCA) и смогут использовать его для сжатия признакового пространства и визуализации многомерных данных
Студенты поймут принципы метода частных наименьших квадратов (PLS) и смогут применять его при наличии мультиколлинеарности признаков
Студенты смогут выбирать адекватный метод многомерного анализа под конкретную прикладную задачу
Студенты научатся выявлять тренд, сезонность и цикличность во временных рядах и проводить их декомпозицию
Студенты освоят построение и интерпретацию моделей авторегрессии (AR/ARIMA) для прогнозирования
Студенты поймут основы спектрального и вейвлет-анализа и смогут применять их для выявления скрытой периодичности в данных
Студенты смогут применять методы анализа временных рядов к задачам мировой торговли и динамики спроса в шеринговых сервисах
Студенты поймут ключевое различие между корреляцией и причинно-следственной связью и базовые условия идентификации причинного эффекта
Студенты научатся применять метод разности разностей (DiD) и проверять предпосылку параллельных трендов
Студенты освоят построение метода синтетического контроля для оценки эффекта вмешательства в отсутствие явной контрольной группы
Студенты поймут логику разрывного дизайна (RDD) и инструментальных переменных и смогут определять применимость каждого метода под конкретную задачу