Работа с BigData

2026/2027

Статус: Маго-лего

Кто читает: Департамент организационного развития

Где читается: Факультет менеджмента (Нижний Новгород)

Охват аудитории: для своего кампуса

Преподаватели: Привалов Игорь Васильевич

Язык: русский

Кредиты: 3

Контактные часы: 40

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предназначен для подготовки специалистов, обладающих знаниями и навыками в области обработки, анализа и интерпретации больших объемов данных, которые имеют критическое значение для принятия обоснованных решений в современном бизнесе и научных исследованиях. В рамках курса студенты освоят основные концепции и методы работы с большими данными, включая технологии хранения и обработки, а также языки программирования, используемые для анализа данных. Курс также охватывает аспекты визуализации данных, машинного обучения и статистического анализа, что позволит обучающимся извлекать ценные инсайты из больших наборов данных.

Цель освоения дисциплины

Научить студентов основным навыкам программирования на языке Python. Научить студентов основным методам извлечения и обработки данных, необходимым для дальнейшего обучения и работы по специальности. Познакомить студентов с основными концепциями и методами анализа данных, статистики и машинного обучения.

Планируемые результаты обучения

Ознакомление с приложениями Data Science
Знает, чем наука о данных отличается от машинного обучения и статистики
Владеть: навыками применения библиотеки Pandas при решении практических задач.
Знать особенности работы с современными дистрибутивами Python
Понимать принципы визуализация данных и построения эффективных панелей индикаторов
Понимает, для чего нужны переменные, какие существуют типы переменных и применяет их для хранения различных данных.
Знать понятие Data Science и потребность перехода к новой форме аналитики;
Понимать специфику работы с дата-исследователями и управления проектами в области data science.
Владеет базовыми навыками работы с данными: агрегированием, фильтрацией, созданием новых переменных, работой со сводными таблицами.
Владеет процедурой обнаружения пропущенных значений. Умеет работать с пропущенными значениями: удаление и стратегии замены.
Знает типы переменных. Знает меры центральной тенденции и разброса. Знает процедуру обнаружения выбросов. Умеет обрабатывать выбросы.
- дает определения и описывает составные части структур Series и DataFrame - импортирует данные из внешних источников в DataFrame - анализирует и обрабатывает данные в DataFrame - производит трансформацию и агрегацию данных в Pandas
Объясняет логику решения задач, связанных с машинным обучением и data science
Знают основные типы переменных
Уметь применять машинное обучение для решения задач анализа данных
- загружать данные из различных форматов
Студент понимает роль Data Science в стратегическом развитии бизнеса.

Содержание учебной дисциплины

Интро
Инструменты для работы с данными в Python
Основы синтаксиса Python
Работа с данными
Визуализация
Машинное обучение

Элементы контроля

ТЕСТ
Практическое задание
Создание аналитического отчета по датасету и ответ на вопросы Критерии оценивания: Точность кода, оформление, полноту выполненных заданий, адекватность визуализаций и глубину аналитики. Важно, каждый ваш шаг снабжать текстом, чтобы не было голого кода, объясняйте что вы делаете и если вы получили что-то, что нужно анализировать, то дайте мне этот анализ в виде текста.

Промежуточная аттестация

2026/2027 3rd module
0.5 * ТЕСТ + 0.5 * Практическое задание

Список литературы

Авторы

Привалов Игорь Васильевич

Программа дисциплины