Магистратура 2021/2022

Введение в интеллектуальный анализ данных

Статус: Курс обязательный (Прикладные методы социального анализа рынков)

Направление: 39.04.01. Социология

Кто читает: Департамент социологии

Где читается: Факультет социальных наук

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: с онлайн-курсом

Охват аудитории: для своего кампуса

Преподаватели: Ульянов Владимир Васильевич

Прогр. обучения: Прикладные методы социального анализа рынков

Язык: русский

Кредиты: 5

Контактные часы: 60

Программа дисциплины

Аннотация

Целями освоения дисциплины «Введение в интеллектуальный анализ данных» являются:  знакомство с основными методами современного анализа данных;  понимание того, в каких условиях, для решения каких задач и при каких ограничениях указанные методы применяются;  умение применять пакет Rattle из свободной (бесплатной) программной среды вычислений R для анализа реальных социологических данных

Цель освоения дисциплины

• Знакомство с основными методами современного анализа данных
• Формирование понимания того, в каких условиях, для решения каких задач и при каких ограничениях указанные методы применяются.
• Формирование навыков работы с пакетом Rattle из свободной (бесплатной) программной среды вычислений R для анализа реальных социологических данных

Планируемые результаты обучения

• Владеет навыками анализа реальных социологических данных с применением пакета Rattle из программной среды вычислений R.
• Знает основные методы современного анализа данных для решения задач классификации, кластеризации, прогноза и скоринга.
• Умеет строить модели, оценивать их качество и сравнивать различные модели.

Содержание учебной дисциплины

• Обзор основных задач, методов и областей применения. Краткая история возникновения Data Mining
• Введение в язык программирования R и пакет RATTLE
• Деревья решений. Задачи классификации, прогнозирования и скоринга
• Построение деревьев решений с помощью пакетов языка программирования R
• Искусственные нейронные сети. Задачи классификации, прогнозирования и кластеризации.
• Построение искусственных нейронных сетей с помощью пакетов языка программирования R
• Генетические (эволюционные) алгоритмы. Задачи оптимизации и обучения нейронных сетей.
• Функции интенсивности отказа и анализ выживаемости в маркетинге.
• Анализ связей

Элементы контроля

• Работа на семинарах
• Эссе
• Итоговые модели
• Доклад по эссе
• Работа на семинарах
• Эссе
• Итоговые модели
• Доклад по эссе

Промежуточная аттестация

• 2021/2022 учебный год 4 модуль
  0.25 * Итоговые модели + 0.25 * Работа на семинарах + 0.25 * Эссе + 0.25 * Доклад по эссе

Список литературы

Рекомендуемая основная литература

• Hall, M., Witten, Ian H., Frank, E. Data Mining: practical machine learning tools and techniques. – 2011. – 664 pp.
• Han, J., Kamber, M., Pei, J. Data Mining: Concepts and Techniques, Third Edition. – Morgan Kaufmann Publishers, 2011. – 740 pp.
• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
• Чубукова, И. А. Data Mining : учебное пособие / И. А. Чубукова. — 2-е изд. — Москва : ИНТУИТ, 2016. — 470 с. — ISBN 978-5-94774-819-2. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100582 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Kantardzic, M., & Recorded Books, I. (2019). Data Mining : Concepts, Models, Methods, and Algorithms (Vol. Third edition). [Place of publication not identified]: Wiley-IEEE Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2282578