Introduction to Data Science

2022/2023

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Big Data and Information Retrieval School

Course type:

Compulsory course

When:

2 year, 4 module

Instructors

Dubeniuk, Anna

Пак Марина Александровна

Perevyshina, Tatiana

Программа дисциплины

Аннотация

Данный курс представляет собой адаптацию общеуниверситетского курса по анализу данных специально для студентов образовательных программ «Управление бизнесом», «Маркетинг и рыночная аналитика» и «Управление цепями поставок и бизнес-аналитика» и направлен на формирование компетенций в области статистики и анализа данных. В курсе будут рассмотрены темы, которые необходимы для успешного освоения основных понятий и методов, связанных с анализом данных. Также будут рассмотрены темы, связанные с основами машинного обучения.

Цель освоения дисциплины

• Целью освоения дисциплины «Анализ данных» является овладение студентами основами статистики и анализа данных для применения в решении различных практических задач.

Планируемые результаты обучения

• Понимать и корректно использовать основные статистические понятия
• Фильтровать данные по нескольким условиям
• Создавать сводные таблицы
• Вычислять коэффициент корреляции Пирсона и интерпретировать полученные результаты
• Вычислять релевантные описательные статистики и интерпретировать полученные результаты
• Уметь реализовывать все шаги проверки статистических гипотез
• Применять параметрические статистические критерии для проверки гипотез
• Применять непараметрические статистические критерии для проверки гипотез
• Создавать интерактивные визуализации
• Сортировать данные
• Переводить значения признака в z-оценки
• Обрабатывать пропущенные значения и выбросы
• Строить уравнение линейной регрессии с использованием метода наименьших квадратов
• Оценивать качество модели линейной регрессии с помощью релевантных метрик
• Оценивать качество модели классификации с помощью релевантных метрик
• Корректно открывать табличные данные различных форматов
• Использовать собственноручно написанные функции для обработки данных, создания новых переменных
• Вычислять описательные статистики и интерпретировать полученные результаты
• Использовать Python в применении к анализу данных
• Визуализировать данные с помощью различных диаграмм: тепловой карты, ящика с усами и других
• Реализовывать разведочный анализ данных
• Решать задачу классификации с использованием логистической регрессии и KNN

Содержание учебной дисциплины

• 1. Введение в инструменты
• 2. Введение в статистику. Базовые манипуляции с данными
• 3. Типы данных. Создание новых переменных
• 4. Генеральная совокупность и выборка. Частотные таблицы и распределения
• 5. Описательные статистики: меры центральной тенденции и разброса
• 6. Z-оценка. Выбросы
• 7. Корреляция
• 8. Введение в визуализацию данных
• 9. Продвинутая визуализация данных
• 10. Введение в тестирование гипотез. Непараметрические критерии
• 11. Параметрические критерии для проверки гипотез
• 12. Линейная регрессия
• 13. Логистическая регрессия
• 14. Введение в машинное обучение

Элементы контроля

• Контрольная работа 1
  *Если ваш курс проходит в онлайн формате, то все контрольные мероприятия осуществляются в формате "ОНЛАЙН С ПРОКТОРИНГОМ" Контрольная, основанная на Спецификации НЭ по Анализу данных 2022-23 года базового уровня. В контрольную входит задания, аналогичные части заданий варианта НЭ, на решение которых отводится 60 минут. Спецификация и демонстрационный вариант заданий опубликованы и доступны в курсе подготовки к НЭ по анализу данных Подлежит обязательной пересдаче при ликвидации академической задолженности. Синхронный элемент контроля. Контрольные: жёсткий дедлайн.
• Домашнее задание
  *В случае выявления элементов списывания домашней работы возможна устная защита. Всего будет 4 домашних задания, итоговая оценка вычисляется как среднее по всем домашним заданиям. Асинхронный элемент контроля. Домашние задания: дедлайн + поздний дедлайн со штрафом 1 балл каждый день
• Тест
  *Если ваш курс проходит в онлайн формате, то все контрольные мероприятия осуществляются в формате "ОНЛАЙН С ПРОКТОРИНГОМ" Всего будет 4 теста. Резервных дней для написания теста нет. В случае пропуска по уважительной причине можно написать удаленно или перераспределить вес на другие тесты. Синхронный элемент контроля. 5-10 минутные тесты, проводимые на семинарах по пройденному материалу онлайн-курса.
• Контрольная работа 2
  *Если ваш курс проходит в онлайн формате, то все контрольные мероприятия осуществляются в формате "ОНЛАЙН С ПРОКТОРИНГОМ" Контрольная, основанная на Спецификации НЭ по Анализу данных 2022-23 года базового уровня. В контрольную входит задания, аналогичные части заданий варианта НЭ, на решение которых отводится 60 минут. Спецификация и демонстрационный вариант заданий опубликованы и доступны в курсе подготовки к НЭ по Анализу данных Подлежит обязательной пересдаче при ликвидации академической задолженности. Синхронный элемент контроля. Контрольные: жёсткий дедлайн.

Промежуточная аттестация

• 2022/2023 учебный год 4 модуль
  0.25 * Тест + 0.25 * Домашнее задание + 0.25 * Контрольная работа 1 + 0.25 * Контрольная работа 2

Список литературы

Рекомендуемая основная литература

• Frederick J Gravetter, Lori-Ann B. Forzano, & Tim Rakow. (2021). Research Methods For The Behavioural Sciences, Edition 1. Cengage Learning.

Рекомендуемая дополнительная литература

• Frederick J Gravetter, Larry B. Wallnau, Lori-Ann B. Forzano, & James E. Witnauer. (2020). Essentials of Statistics for the Behavioral Sciences, Edition 10. Cengage Learning.