Предиктивное моделирование данных

Магистратура 2022/2023

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: Богданова Татьяна Кирилловна

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

Язык: русский

Кредиты: 6

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина "Предиктивное моделирование данных" предполагает получение студентами теоретических знаний в области анализа данных, выявления структуры анализируемой выборки, нахождения взаимосвязей между показателями, измеренными в разных шкалах, построения регрессионных моделей, проведения факторного и кластерного анализа, прогнозирования с использованием деревьев решений, а также получение практических навыков применения статистических методов при решении задач с использованием профессиональных систем статистического анализа данных.

Цель освоения дисциплины

Целью освоения дисциплины является формирование у студентов комплекса теоретических знаний и методологических основ в области предиктивного моделирования данных, а также практических навыков, необходимых для использования системы IBM SPSS Statistics, обеспечивающих решение широкого круга задач с использованием статистических методов.

Планируемые результаты обучения

Знать методы дерева решений и методы проверки адекватности модели.
Знать особенности измерения связей для переменных, измеренных в номинальной, порядковой и интервальной шкалах.
Знать понятия выборки, генеральной совокупности, вероятности, статистической значимости. Понимать назначения шкал измерения переменных, уметь модифицировать данные и осуществлять их отбор.
Знать сущность методов кластеризации, принципы факторного анализа и метод главных компонент. Уметь решать задачи с использованием этих методов.
Понимать сущность процедуры расчета частотных таблиц, знать структуру и содержание элементов таблиц сопряженности, статистических характеристик распределения значений переменных, измеренных в интервальной шкале.
Уметь строить модели бинарной и порядковой логистической регрессии. Знать методы оценки качества моделей.
Уметь строить модели парной и множественной линейной регрессии. Знать методы оценки качества моделей.

Содержание учебной дисциплины

Особенности подготовки данных для статистического анализа.
Описательная статистика для переменных, измеренных в номинальной, порядковой и интервальной шкалах.
Поиск связей между номинальными, порядковыми и количественными переменными.
Введение в регрессионный анализ.
Логистическая регрессия.
Деревья решений.
Кластерный и факторный анализ данных.

Элементы контроля

контрольная работа, представляющая собой совокупность выполненных на занятиях заданий
решение задач с использованием ПО
аудиторная работа.

Промежуточная аттестация

2022/2023 учебный год 4 модуль
0.15 * аудиторная работа. + 0.35 * контрольная работа, представляющая собой совокупность выполненных на занятиях заданий + 0.5 * решение задач с использованием ПО

Список литературы

Авторы

Яковлева Наталия Вадимовна
Богданова Татьяна Кирилловна

Программа дисциплины