Data Science

2021/2022

Учебный год

RUS

Обучение ведется на русском языке

5

Кредиты

Кто читает:

Департамент маркетинга

Статус:

Курс обязательный

Когда читается:

1-й курс, 2, 3 модуль

Преподаватель

Бирюков Валентин Андреевич

Программа дисциплины

Аннотация

Программа предназначена для студентов первого года обучения в магистратуре по направлению 38.04.02 «Менеджмент» (программа «Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме»). Дисциплина «Data Science» знакомит студентов с основными концепциями и методами анализа данных и машинного обучения. Студенты также научатся программировать на языке Python, познакомятся с базовыми приёмами извлечения и обработки данных из сети интернет и различных типов файлов. С использованием онлайн-курса "Основы программирования на Python" (URL: https://www.coursera.org/learn/python-osnovy-programmirovaniya).

Цель освоения дисциплины

• Обучить студентов навыкам программирования на языках Python
• Обучить студентов базовым приёмам извлечения данных из сети интернет и различных типов файлов, и их обработки, необходимым для дальнейшего обучения и в работе по специальности.
• Познакомить студентов с основными концепциями и методами анализа данных и машинного обучения.

Планируемые результаты обучения

• Визуализирует графики с использованием pyplot, отображает картографическую информацию с помощью API leaflet
• Обрабатывает данные в формате json, работает с публичным интерфейсом API
• Применяет логические выражения, условный оператор, оператор цикла while
• Применяет словари, множества, методы работы с отдельными элементами и всеми структурами
• Применяет цикл for, функцию range, решает задачи с использованием локальных и глобальных переменных
• Решает задачи на ввод-вывод и целочисленную арифметику
• Решает задачи на работу с вещественными числами, применяет функции работы со строками
• Умеет работать с текстом, файлами csv, электронными таблицами xlsx и листами в них
• Знает о применении DS в бизнес-кейсах, отличает и может описать использованные алгоритмы, методы и результаты.
• Знает основные определения понятий науки о данных
• Знает основы HTML, получает ресурсы по URLадресу, использует библиотеки для обработки HTML
• Отличает основные типы графиков и область их применения
• Умеет вывести и интерпретировать описательную статистику для выборки. Знает основные определения понятий.
• Умеет использовать пакеты для построения регрессий. Может дать определение MAE, MAPE, MSE, R2.
• Умеет отличать алгоритмы классификации. Понимает область применения алгоритмов классификации и их различие. Умеет считывать PR и ROC-кривые.
• Умеет применять пакеты для работы с текстовыми данными. Умеет применять модель классификации, оценивать качество модели и интерпретировать полученные результаты.

Содержание учебной дисциплины

• Арифметика
• Условный оператор, цикл while
• Вещественные числа и строки
• Цикл for, функции
• Словари и множества
• Обработка текстовых файлов и электронных таблиц
• Обработка и создание HTML-страниц
• json и API
• Визуализация данных
• Краткий курс нужной математики для Data Science
• Введение. Что такое Data Science
• Регрессия
• Классификация: KNN, Алгоритм решающих деревьев
• Анализ текстовых данных: подробное изучение бизнес-кейса с тональностью комментариев к отелям с Tripadvisor
• Защита проектов с применением машинного обучения

Элементы контроля

• Домашнее задание (блок Python)
  Домашнее задание с Python проверяются автоматически с системой Яндекс.Контекст.
• Домашнее задание (блок Аналитика)
  Домашнее задание по Аналитике включают в себя сдачу jupyter notebook с проведенным анализом показателей и статистическими выводами, а так же с тестовой частью.
• Домашнее задание (блок Анализ данных)
  Домашние задания по Анализу данных включают в себя анализ данных с использованием языка python с применением моделей машинного обучения, а также с использованием методов краудсорсинга.
• Проверочные работы
  Проверочные работы проводятся на парах в формате небольших блиц-тестов
• Проектная работа
• Экзамен (письменный)

Промежуточная аттестация

• 2021/2022 учебный год 3 модуль
  0.2 * Проверочные работы + 0.2 * Проектная работа + 0.1 * Экзамен (письменный) + 0.25 * Домашнее задание (блок Анализ данных) + 0.15 * Домашнее задание (блок Аналитика) + 0.1 * Домашнее задание (блок Python)

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
• HEER, J., BOSTOCK, M., & OGIEVETSKY, V. (2010). A Tour Through the Visualization Zoo. Communications of the ACM, 53(6), 59–67. https://doi.org/10.1145/1743546.1743567
• Linoff, G., & Berry, M. J. A. (2011). Data Mining Techniques : For Marketing, Sales, and Customer Relationship Management (Vol. 3rd ed). Indianapolis, Ind: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=520245
• Lutz, M. (2008). Learning Python (Vol. 3rd ed). Beijing: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=415392
• Vanderplas, J. T. (2016). Python Data Science Handbook : Essential Tools for Working with Data (Vol. First edition). Sebastopol, CA: Reilly - O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1425081

Рекомендуемая дополнительная литература

• Д.Хафф - Как лгать при помощи статистики - Альпина Паблишер - 2015 - ISBN: 9785961439846 - Текст электронный // ЭБС Alpina - URL: https://hse.alpinadigital.ru/book/5573