Управление ИТ-проектами и командами разработчиков в сфере Data Science

2018/2019

Учебный год

RUS

Обучение ведется на русском языке

5

Кредиты

Кто читает:

Департамент больших данных и информационного поиска

Статус:

Курс по выбору

Когда читается:

1-й курс, 2 модуль

Преподаватель

Масютин Алексей Александрович

Программа дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает требования к образовательным результатам и результатам обучения студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих дисциплину Управление ИТ- проектами и командами разработчиков в сфере Data Science, учебных ассистентов и студентов направления подготовки 01.04.02 «Прикладная математика и информатика», обучающихся по об- разовательной программе «Финансовые технологии и анализ данных».

Цель освоения дисциплины

• Ознакомление студентов с теоретическими основами и основными принципами управле- ния проектами с применением технологий машинного обучения, оценки объема и сроков работ
• Формирование у студентов практических навыков постановки задач машинного обучения и оценки результатов.

Планируемые результаты обучения

• Способен анализировать, верифицировать, оцени- вать полноту информации в ходе профессиональной деятельности, при необхо- димости восполнять и синтезировать недостаю- щую информацию
• Способен организовать многостороннюю коммуни- кацию и управлять ею
• Способен вести профес- сиональную, в том числе научно- исследовательскую дея- тельность в международ- ной среде

Содержание учебной дисциплины

• Обзор объектов управления
  Лекция No1. Этапы проекта. Разбор примера плана проекта с указанием ролей, задач, проблем. Ры- нок данных. Юридические аспекты работы с данными. Лекция No2. Инструменты аналитика — python, R, ноутбуки; SAS, SPSS, RapidMiner; библиотеки — какие и зачем; Hadoop, Spark. Семинары No1 и No2 — пример решения задач на python и на SPSS.
• Постановка задачи
  Лекция No3. Типы задач, примеры; выбор метрик - вводная часть; управление ожиданиями по каче- ству; анализ сценариев использования моделей. Лекция No4. Валидация задачи; валидация данных; экономический эффект. Семинары No3 и No4 — примеры задач, неправильных постановок, работа с данными с помощью SPSS.
• Планирование проекта
  Лекция No7. Состав работ в проекте на детальном уровне; предобработка данных; планирование экспериментов; валидация и тестирование в ходе проекта Лекция No8. Разбор примеров проектов с учетом всего ранее изученного Семинары No7 и No8 — разбор примеров задач, работа с данными с помощью SPSS.
• Оценка качества
  Лекция No5. Метрики классификации; метрики регрессии; метрики ранжирования; стоимостное вы- ражение метрик. Лекция No6. Как и зачем мерять качество; А/Б тестирование; стат.значимость, чувствительность; примеры онлайн и офлайн тестов. Семинары No5 и No6 — работа с данными результатов различных тестов и их оценка с помощью SPSS.

Элементы контроля

• Домашнее задание
• Экзамен

Промежуточная аттестация

• Промежуточная аттестация (2 модуль)
  0.6 * Домашнее задание + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Python и анализ данных, Маккинли, У., 2015

Рекомендуемая дополнительная литература

• Шарден Б., Массарон Л., Боскетти А. - Крупномасштабное машинное обучение вместе с Python - Издательство "ДМК Пресс" - 2018 - 358с. - ISBN: 978-5-97060-506-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/105836