Прикладные задачи анализа данных

Описание: Курс направлен на решение прикладных задач из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика, прогнозирование временных рядов. На курсе студент приобретет практические навыки извлечения признаков из разнородных данных, оценки качества разработанных моделей, применения различных алгоритмов машинного обучения.

Количество кредитов: 10

Пререквизиты:

• Алгоритмизация и технология программирования

Трудоемкость дисциплины:

Компонент: Вузовский компонент

Цикл: Профилирующие дисциплины

Цель

• Дисциплина "Прикладные задачи анализа данных" является предложением курса Data Science и направлена на выполнение двух целей. Первая — научить прикладной статистике, которая связана с внедрением машинного обучения и анализом результатов. Сюда относится анализ и сравнение моделей, интерпретация моделей машинного обучения, планирование и анализ результатов A/B-тестов. Вторая — дать опыт решения сложных задач с помощью методов машинного обучения. А именно, рассматриваются задачи обработки естественного языка, работы с изображениями и сигналами, прогнозирования временных рядов, построение рекомендательных систем.

Задача

• формирование навыков использования статистических методов при анализе линейных моделей
• формирование навыков интерпретации моделей машинного обучения
• формирование навыков статистической проверки гипотез
• формирование навыков реализации A/B-тестирования
• формирование навыков статистических методов прогнозирования
• формирование навыков прогнозирования с помощью машинного обучения
• приобрести практические навыки построения рекомендательных систем
• приобрести практические навыки решения задач компьютерного зрения
• анализ звуковых сигналов, нейросетевые подходы
• формирование навыков анализа естественного языка

Результат обучения: знание и понимание

• Владеть методами прогнозирования временных рядов
• Знать основные метрики качества рекомендательных систем
• Владеть базовыми методами анализа текстов

Результат обучения: применение знаний и пониманий

• Уметь интерпретировать модели машинного обучения
• Уметь планировать и анализировать результаты A/B-тестов
• Уметь строить рекомендательные системы
• Уметь решать основные задачи анализа изображений и сигналов
• Уметь решать сложные задачи анализа текстов (машинный перевод и пр.)

Результат обучения: формирование суждений

• Формирование суждений о решении сложных задач анализа текстов (машинный перевод и пр.)
• Формирование суждений о построении рекомендательных систем
• Интерпретация моделей машинного обучения

Результат обучения: коммуникативные способности

• развитие и совершенствование коммуникативных способностей студентов;
• развитие навыков участия в конструктивном диалоге о роли и значимости систем искусственного интеллекта в современном мире, различных направлениях в системах искусственного интеллекта

Результат обучения: навыки обучения или способности к учебе

• формирование умений в области систем искусственного интеллекта для реализации научно-исследовательских работ
• выработка навыков построения рекомендательных систем
• способность содействовать, в рамках академических и профессиональных контекстов, технологическому, социальному или культурному развитию в интересах формирования общества, основанного на знаниях

Методы преподавания

- лекции и онлайн-лекции, лабораторные занятия с применением слайдов и других средств мультимедиа.

Оценка знаний обучающегося

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

Политика оценивания результатов обучения по видам работ

Форма оценки

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Методы построения моделей сложных систем
• Критерии выбора аналитических платформ и пакетов Data Mining
• Основные этапы моделирования
• Методика анализа данных
• Data Mining, KDD и взаимосвязи между ними
• Аналитическая отчетность и многомерное представление данных
• Хранилище данных
• Алгоритмы, получившие наибольшее распространение для каждого типа задач
• Этапы подготовки данных
• Выдвижение гипотез
• Методы сбора и систематизации фактов
• Методы проведения экспертиз для выявления наиболее значимых факторов
• Понятия парциальной и комплексной обработки
• Анализ качества полученных моделей
• Основные этапы внедрения систем анализа данных

Основная литература

• Анализ данных : учебник для вузов / В. С. Мхитарян [и др.] ; под редакцией В. С. Мхитаряна. — Москва : Издательство Юрайт, 2020. — 490 с. — (Высшее образование). — ISBN 978-5-534-00616-2. — Текст : электронный // ЭБС Юрайт [сайт]. — URL: https://urait.ru/bcode/450166 (дата обращения:06.04.2022).
• Маккинли, Уэс Python и анализ данных / Уэс Маккинли ; перевод А. Слинкина. — 2-е изд. — Саратов : Профобразование, 2019. — 482 c. — ISBN 978-5-4488-0046-7. — Текст : электронный // Электронно-библиотечная система IPR BOOKS : [сайт]. — URL: http://www.iprbookshop.ru/88752.html (дата обращения: 06.04.2022). — Режим доступа: для авторизир. пользователей
• Барсегян, А.А., Куприянов М. С. и др. Технологии анализа данных : Data Mining, Visual Mining, Text Minning, OLAP : учеб. - 2-е изд., перераб. и доп. -СПб. : БХВ-Петербург, 2017.

Дополнительная литература

• Шнарева, Г. В. Анализ данных : учебно-методическое пособие / Г. В. Шнарева, Ж. Г. Пономарева. — Симферополь : Университет экономики и управления, 2019. — 129 c. — ISBN 2227-8397. — Текст : электронный // Электронно-библиотечная система IPR BOOKS : [сайт]. — URL: http://www.iprbookshop.ru/89482.html (дата обращения: 06.04.2022). — Режим доступа: для авторизир. пользователей
• Мельниченко, А. С. Математическая статистика и анализ данных : учебное пособие / А. С. Мельниченко. — Москва : Издательский Дом МИСиС, 2018. — 45 c. — ISBN 978-5-906953-62-9. — Текст : электронный // Электронно-библиотечная система IPR BOOKS : [сайт]. — URL: http://www.iprbookshop.ru/78563.html (дата обращения: 06.04.2022). — Режим доступа: для авторизир. пользователей