Кто читает:: Базовая кафедра информационно-аналитических систем ЗАО «ЕС-лизинг»

Статус:: Курс по выбору

Когда читается:: 2-й курс, 1, 2 модуль

Преподаватели

Жукова Людмила Вячеславовна

Новиков Роман Сергеевич

Полная версия программы учебной дисциплины

Аннотация

Основная цель курса «Прикладные методы анализа данных при создании информационно-аналитических систем» - формирование у слушателей системного взгляда на возможности и ограничения математического аппарата - машинного обучения, эконометрических и статистических методов, изучение опыта использования алгоритмов анализа данных для разработки и реализации ИАС в различных экономических сферах. Курс состоит из двух частей. Первая, теоретическая часть, посвящена изучению постановки и решения задач методами анализа данных, обычно представляемых в научной литературе под общим названием «Data Mining»: методы многомерной статистики и кластерного анализа, нейросетевые методы, методы нечеткой логики, генетические алгоритмы, деревья решений, экспертные системы. Во второй, практической части, изучаются особенности, этапы и технологии применения этих методов при создании информационно-аналитических систем, в том числе на языке проuраммирования Python.

Цель освоения дисциплины

Основными целями и результатами освоения дисциплины «Прикладные методы анализа данных при создании информационно-аналитических систем» являются: • Развитие и закрепление практических навыков в построении аналитических и информационных систем управления, включающих интеллектуальную обработку данных. • Систематизация знаний студентов о применении различных изученных статистических, математических методов анализа данных по изученным дисциплинам в рамках направления подготовки магистра 09.04.01 «Информатика и вычислительная техника» по образовательной программе «Компьютерные системы и сети»,в Департаменте компьютерной инженерии МИЭМ им. А.Н.Тихонова НИУ ВШЭ. • Приобретение студентами навыка разработки, построения и сопровождения корпоративных обучаемых экспертных систем, используемых для поддержки принятия решений.

Планируемые результаты обучения

Знает специфику зависимой переменной в модели бинарной логистической регрессии
Знает основные особенности и ограничения в использовании статистики выборочных обследований
Использует байесовские подходы к анализу данных. Применяет алгоритм Random Forest.
Знание основных методов предобработки данных
Знает основные типы данных, этапы предобработки данных, методы разведочного анализа данных
Владеет методами анализа: линейная регрессия, регрессионные деревья, случайный лес
Знает основные виды искусственных нейронных сетей, способы их обучения.
Анализирует статистические методы и модели, применение линейной и логистической регрессионных моделей, кластерного и факторного анализа, методов дерева решений для решения экономических задач и поддержки принятия решений.
Понимать принципы визуализация данных и построения эффективных панелей индикаторов
Изучить метод Монте-Карло, его достоинства и недостатки.
Владеет понятием логистической регрессии. Знает метод опорных векторов (SVM). Владеет понятием трюка с ядрами. Знает метод ближайших соседей. Владеет понятием классификационных деревьев.
Сравнивать задачи классификации и задачи регрессии. Иллюстрировать задачи классификации (бинарной и множественной). Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).
Понятия интеллектуального анализа данных, обзор задач интеллектуального анализа; упрощенный алгоритм Байеса, деревья решений, алгоритмы кластеризации.
Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении
Умеет строить модель логистической регрессии и проводить ее диагностику
Выполняет предобработку данных. Строит регрессионные и тематические модели. Объясняет основные понятия машинного обучения.
Интерпретировать коэффициенты логистической регрессии и предельные эффекты
Знать и уметь применять Метод Монте-Карло
Уметь специфицировать и оценить модель логистической регрессии.

Содержание учебной дисциплины

Особенности применения статистических и математических методов моделирования аналитических ИС
Построение математических моделей и проверка адекватности результатов моделирования при разработке ИАС
Основы использования ML при построении автоматизированных ИС для решения прикладных задач с помощью методов машинного обучения
Метод Монте-Карло, прогнозирование и экспорт результатов в ИАС

Элементы контроля

Активность на семинаре
Преподаватель оценивает участие студентов на практических занятиях: активность студентов на практических занятиях в дискуссиях и обсуждениях, полноту раскрытия выбранных тем при выступлении с докладами по итогам индивидуальных письменных исследовательских работ, оформление индивидуальных письменных исследовательских работы и презентаций. На семинарских занятиях предусмотрено онлайн тестирование по пройденному материалу, на 10-15 минут.
Самостоятельная исследовательская работа
Индивидуальная письменная исследовательская работа и Доклад по ее результатам с презентацией. Подготовка индивидуальных письменных исследовательских работ (отчетов), посвященных решению практической задачи аналитической обработки данных, которые сдаются студентом в итоговом виде в конце модуля, по одной работе на каждый модуль.
Экзамен
Экзамен в конце второго модуля проходит в письменной форме. Студент решает теоретические и практические задачи в течение 1 ч 20 минут, оценка выставляется по 10-балльной шкале.

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.3 * Активность на семинаре + 0.3 * Самостоятельная исследовательская работа + 0.4 * Экзамен

Магистерская программа «Компьютерные системы и сети»

Контакты

Прикладные методы анализа данных при создании информационно-аналитических систем

Преподаватели

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература