Наука о данных для бизнеса

2026/2027

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Охват аудитории: для своего кампуса

Преподаватели: Попов Виктор Юрьевич

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Формирование у слушателей системного взгляда на возможности и ограничения машинного обучения и практического опыта использования алгоритмов анализа данных для решения бизнес-задач в различных экономических сферах. Задачи: • Сформировать теоретические и методологические основы дата-аналитического мышления, понимание основных методов и моделей анализа данных; • Получение практических навыков использования алгоритмов анализа данных, выбор оптимальных методов и моделей для решения широкого спектра задач; • Получение навыка работы с базовыми инструментами Data Science для применения на практике; • Формирование навыков работы с дата-исследователями и управления проектами в области data science. Дисциплина является прикладной и предполагает работу с бизнес-данными на основе кейсов с использованием low-code платформ для решения задач описательной, прогнозной и предписывающей аналитики.

Цель освоения дисциплины

Формирование у студентов системного взгляда на возможности и ограничения применения машинного обучения. Приобретение практического опыта использования алгоритмов анализа данных и базовых инструментов обработки данных для решения различных бизнес-задач.

Планируемые результаты обучения

Понимание специфики работы с дата-исследователями и управления проектами в области Data Science.
Применение на практике базовых инструментов дата-аналитика.
Умение находить решение бизнес-задач с использованием методов и моделей анализа данных .
Формирование у студента дата-аналитического мышления, понимания необходимости использования Data Science для повышения эффективности бизнеса.
Знать и уметь интерпретировать и понимать смысл основных математических понятий и объектов.
Уметь использовать основные библиотеки Python, полезныe для анализа данных, например, NumPy, SciPy, Matplotlib и Pandas.
Знать и уметь применять статистические методы для анализа данных
Знать и уметь применять на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья, случайные леса, метод градиентного бустинга.
Уметь строить матричные разложения , понижать размерность данных, искать аномалии и визуализировать многомерные данные.
Знать основные типы прикладных задач анализа данных. Знать, понимать и уметь применять схемы их решения.
Умеет использовать библиотеки Python для анализа данных: NumPy, SciPy, Matplotlib, Pandas.
Знает и умеет применять статистические методы: оценка параметров, точность оценок, A/B-тестирование, проверка статистических гипотез, корреляции и причинно-следственные связи.
Студент знает алгоритмы регрессии: линейная регрессия, МНК, градиентный спуск, регуляризация (L1, L2), полиномиальная регрессия, переобучение/недообучение, валидация
Умеет оценивать качество регрессии: MSE, MAE, RMSE, R², MAPE.
Знает алгоритмы классификации: логистическая регрессия, softmax, байесовская классификация, решающие деревья, случайные леса, градиентный бустинг.
Умеет применять метрики классификации: accuracy, precision, recall, F1, ROC-AUC.
Понимает основы обучения без учителя: кластеризация (K-means, DBSCAN, иерархическая), понижение размерности (PCA), поиск аномалий, визуализация (t-SNE).
Знает типы прикладных задач анализа данных и уметь применять схемы решения: извлечение признаков из текстов/изображений/временных рядов/таблиц, сведение задачи заказчика к ML, backtesting, A/B-тесты, мониторинг в production, сравнение алгоритмов ML.

Содержание учебной дисциплины

Введение в науку о данных
Базовые методики и модели в решении бизнес-проблем с помощью Data Science
Продвинутые методики и модели в решении бизнес-проблем с помощью Data Science
Инструменты для анализа и обработки данных
Управление Data Science проектами

Элементы контроля

Посещение аудиторных и/или онлайн лекций и семинаров
Активность на лекциях и семинарах, самостоятельная работа.
Защита проекта по тематике дисциплины на предложенную и согласованную тему
Письменный экзамен

Промежуточная аттестация

2026/2027 1st module
0.1 * Посещение аудиторных и/или онлайн лекций и семинаров + 0.1 * Активность на лекциях и семинарах, самостоятельная работа. + 0.2 * Защита проекта по тематике дисциплины на предложенную и согласованную тему + 0.6 * Письменный экзамен

Список литературы

Авторы

Шевгунов Тимофей Яковлевич
Попов Виктор Юрьевич

Программа дисциплины