2022/2023

Прикладные задачи анализа данных

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Майнор

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3, 4 модуль

Онлайн-часы: 20

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Баранов Михаил Юрьевич, Бредихин Александр Иванович, Гущин Михаил Иванович, Егоров Андрей Вадимович, Кантонистова Елена Олеговна, Масликов Егор Денисович, Никифоров Михаил Сергеевич, Семенкин Антон Александрович, Соколов Евгений Андреевич

Язык: русский

Кредиты: 5

Контактные часы: 72

Программа дисциплины

Аннотация

Дисциплина "Прикладные задачи анализа данных" является завершающей в майноре "Интеллектуальный анализ данных" и направлена на выполнение двух целей. Первая — научить прикладной статистике, которая связана с внедрением машинного обучения и анализом результатов. Сюда относится анализ и сравнение моделей, интерпретация моделей машинного обучения, планирование и анализ результатов A/B-тестов. Вторая — дать опыт решения сложных задач с помощью методов машинного обучения. А именно, рассматриваются задачи обработки естественного языка, работы с изображениями и сигналами, прогнозирования временных рядов, построение рекомендательных систем.

Цель освоения дисциплины

• Владеть методами прикладной статистики
• Уметь решать прикладные задачи методами машинного обучения

Планируемые результаты обучения

• Владеть базовыми методами анализа текстов
• Владеть методами прогнозирования временных рядов
• Знать основные метрики качества рекомендательных систем
• Уметь интерпретировать модели машинного обучения
• Уметь планировать и анализировать результаты A/B-тестов
• Уметь решать основные задачи анализа изображений и сигналов
• Уметь решать сложные задачи анализа текстов (машинный перевод и пр.)
• Уметь строить рекомендательные системы

Содержание учебной дисциплины

• Прикладная статистика в машинном обучении
• Прогнозирование временных рядов
• Рекомендательные системы
• Анализ изображений и сигналов
• Анализ естественного языка

Элементы контроля

• Домашнее задание
  Практические домашние задания (ДЗ)
• Экзамен
  Письменный экзамен (Э)
• Контрольная работа
  Контрольная работа (КР)

Промежуточная аттестация

• 2022/2023 учебный год 4 модуль
  0.2 * Контрольная работа + 0.5 * Домашнее задание + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
• Parul Aggarwal, Vishal Tomar, & Aditya Kathuria. (2017). Comparing Content Based and Collaborative Filtering in Recommender Systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32D5064E

Рекомендуемая дополнительная литература

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.