Программирование для анализа городских данных

2023/2024

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

Лучший по критерию «Новизна полученных знаний»

Статус: Маго-лего

Кто читает: Высшая школа урбанистики имени А.А. Высоковского

Когда читается: 2 семестр

Охват аудитории: для своего кампуса

Преподаватели: Кульчицкий Юрий Викторович

Язык: русский

Кредиты: 6

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предназначен для студентов, желающих освоить методы анализа пространственных данных с использованием языка программирования Python. В рамках курса рассматриваются основные инструменты и библиотеки для работы с геоданными, включая чтение, обработку, визуализацию и анализ пространственной информации. Особое внимание уделяется практическим заданиям и проектам, направленным на развитие навыков применения полученных знаний в реальных задачах.

Цель освоения дисциплины

Освоить основы программирования на языке Python, необходимые для анализа пространственных данных.
Научиться работать с основными библиотеками для геоанализа, такими как GeoPandas, Shapely, PySAL и другими.
Приобрести навыки визуализации и интерпретации пространственной информации.
Развить способность применять методы пространственного анализа в различных прикладных задачах.

Планируемые результаты обучения

Иллюстрировать особенности реализации платформенного и экосистемного подходов в построении взаимодействия между городами и Smart City-проектами
Получать городские пространственные данные из различных источников.
Студент может создавать скрипты для анализа данных
Уметь писать скрипты на языке R

Содержание учебной дисциплины

01. Введение в городские данные и smart cities
02. Введение в скриптовые инструменты анализа данных и проведение воспроизводимых исследований
03. Предварительные исследования данных (EDA) и базовые техники визуализации
04. Виды и источники городских данных. Ключевые наборы открытых городских данных и базовые техники работы с ними
06. Элементы математической статистики, базовые процедуры исследования наборов данных перед оценкой регрессионных и иных моделей. Методы оценки эффективности предсказательных моделей

Элементы контроля

Лабораторная 01 - вводная
Лабораторная 02. Таблицы, базовый ГИС
Лабораторная 03. Научные графики, ggplot2
Лабораторная 04. Регрессионные модели
Обязательные курсы DataCamp
Курсы по выбору в системе DataCamp
Экзамен

Промежуточная аттестация

2023/2024 учебный год II семестр
0.15 * Курсы по выбору в системе DataCamp + 0.1 * Лабораторная 02. Таблицы, базовый ГИС + 0.1 * Лабораторная 01 - вводная + 0.3 * Экзамен + 0.15 * Лабораторная 03. Научные графики, ggplot2 + 0.15 * Лабораторная 04. Регрессионные модели + 0.05 * Обязательные курсы DataCamp

Список литературы

Авторы

Зарудная Екатерина Борисовна
Кульчицкий Юрий Викторович

Программа дисциплины