Анализ неструктурированных данных

Магистратура 2021/2022

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

Статус: Курс по выбору (Бизнес-информатика: цифровое предприятие и управление информационными системами)

Направление: 38.04.05. Бизнес-информатика

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Бекларян Армен Левонович

Прогр. обучения: Бизнес-информатика: цифровое предприятие и управление информационными системами

Язык: русский

Кредиты: 5

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

В рамках дисциплины «Анализ неструктурированных данных» студенты имеют возможность ознакомится с теоретическими и методологическими основами в области систем анализа неструктурированной информации, а также с практическими навыками, необходимыми для внедрения и использования такого сорта систем. Среди рассматриваемых методов анализа, особое внимание уделяется Контент анализу (Content analysis), Деревьям решений (Decision tree), Кластерному анализу (Cluster Analysis), Генетическим (эволюционным) алгоритмам (Genetic Algorithms) и Нейронным сетям (Neural network). На практических занятиях, с целью закрепления навыков и знаний, используется программное обеспечение от ведущих вендеров такое, как Anaconda, RStudio, JetBrains PyCharm, IBM SPSS Statistics и Microsoft Power BI.

Цель освоения дисциплины

Знать основные модели и методы машинного обучения и разработки данных
Владеть математическим аппаратом и инструментальными средствами анализа неструктурированных данных
Владеть базовыми навыками анализа неструктурированных данных с использованием Python и интерпретации полученных результатов

Планируемые результаты обучения

Владеть методами и моделями решающих деревьев, простых нейронных сетей, xgboost, метода опорных векторов и уметь их обучать
Владеть методами кластеризации данных, сингулярного разложения, фактор-анализа, главных компонент
Владеть основами математики для анализа данных
Знать основные используемые методы обработки текстов, изображений и видео
Знать основные концепции и методы машинного обучения, применяемые при решении классификационных и регрессионных задач
Знать основные концепции нейронных сетей и методы их обучения в задачах анализа неструктурированных данных
Знать основные подходы к построению моделей обучения с подкреплением
Знать основные постановки задач и типы данных в машинном обучении

Содержание учебной дисциплины

Основы машинного обучения
Обучение с учителем
Обучение без учителя
Неструктурированные данные

Элементы контроля

Реферат
Реферат формируется на основе лекционных материалов, отечественных и зарубежных (англоязычных) публикаций по вопросам теории и практики систем анализа неструктурированной информации
Контрольное домашнее задание
Выполнение домашнего задания предусматривает построение моделей анализа неструктурированной информации, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа в BI системе
Аудиторная работа
Экзамен
Экзаменационная работа состоит из двух частей: тест и письменная часть. Тест представляет из себя вопросы закрытого типа, письменная часть – анализ данных в рамках заданной предметной области и проблематики. Форма экзамена: Экзамен проводится в письменной форме. Платформа проведения: Экзамен проводится на платформе Canvas LMS. Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформе Canvas LMS; Войти на платформу Canvas LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.; Отключить в диспетчере задач компьютера иные приложения, кроме браузера, в котором будет выполняться вход на платформу Canvas LMS, а также необходимого окружения Python. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. В случае долговременного нарушения связи с платформами MS Teams и Canvas LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена.

Промежуточная аттестация

2021/2022 учебный год 4 модуль
0.3 * Экзамен + 0.296 * Контрольное домашнее задание + 0.284 * Реферат + 0.12 * Аудиторная работа

Программа дисциплины