Введение в Data Science

Beschreibung: Курс дает возможность познакомиться с предметной областью науки о данных и формирует навыки решения задач обработки и визуализации данных с использованием языка Python. В курсе рассматриваются основы интерактивной работы с Python в блокноте Jupyter Notebook, дается необходимый минимум синтаксических конструкций Python для задач обработки данных, рассматриваются базовые аналитические пакеты: pandas, matplotlib, seaborn. Рассматриваются вопросы загрузки данных разных форматов, очистки данных, разведочного анализа, визуализации данных.

Betrag der Credits: 6

Пререквизиты:

• Информационно-коммуникационные технологии

Arbeitsintensität der Disziplin:

Komponente: Компонент по выбору

Zyklus: Базовые дисциплины

Цель

• Данная дисциплина 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 с использованием алгоритмов машинного обучения.

Задача

• изучить основные характеристики данных и способы их анализа
• изучить элементы классификации данных и машинного обучения
• изучить элементы классификации данных и машинного обучения
• освоение основ статистического анализа, построение регрессионных зависимостей
• реализация визуализации «больших данных»
• обзор математических инструментов решения: нейронные сети, графы, нечеткие и К-значные логики
• обзор математических инструментов решения: нейронные сети, графы, нечеткие и К-значные логики

Результат обучения: знание и понимание

• понимание процессов сбора, обработки и интерпретации данных современных научных исследований, необходимых для формирования выводов по соответствующим научным исследованиям

Результат обучения: применение знаний и пониманий

• Способен работать с информацией: находить, оценивать и использовать информацию из различных источников, необходимую для решения научных и профессиональных задач (в том числе на основе системного подхода)
• Способен вести исследовательскую деятельность, включая анализ проблем, постановку целей и задач, выделение объекта и предмета исследования, выбор способа и методов исследования, а также оценку его качества
• Способен выбирать адекватные задачам исследования методы исследования и применять их
• Способен осуществлять поиск, сбор, обработку, анализ и хранение информации для решения поставленных задач
• Способен проводить прикладной анализ явлений и процессов в сфере политики с использованием методов политической науки для поддержки процесса принятия практических решений
• Способен проводить прикладной анализ явлений и процессов в сфере политики с использованием методов политической науки для поддержки процесса принятия практических решений

Результат обучения: формирование суждений

• Формировать суждения о задачах и методах исследований
• Формировать суждения о поиске, сборе, обработке, анализе и хранения информации для решения поставленных задач
• Формировать суждения о прикладном анализе явлений и процессов в сфере политики с использованием методов политической науки для поддержки процесса принятия практических решений

Результат обучения: коммуникативные способности

• Развитие и совершенствование коммуникативных способностей студентов
• Развитие навыков участия в конструктивном диалоге о прикладном анализе явлений и процессов в сфере политики с использованием методов политической науки для поддержки процесса принятия практических решений

Результат обучения: навыки обучения или способности к учебе

• Формирование умений в области систем искусственного интеллекта для реализации научно-исследовательских работ
• Способность содействовать, в рамках академических и профессиональных контекстов, технологическому, социальному или культурному развитию в интересах формирования общества, основанного на знаниях
• Способностью собирать, обрабатывать и интерпретировать данные современных научных исследований, необходимые для формирования выводов по соответствующим научным исследованиям

Основная литература

• Миркин Б. Г. Введение в анализ данных. — М.: Юрайт. 2020. 175 с.
• Нархид Н. Apache Kafka. Потоковая обработка и анализ данных / Н. Нархид. — СПб.: Питер, 2019. — 320 c.
• Макшанов А.В. Технологии интеллектуального анализа данных. — М.: Лань. 2019. 212 с.
• Чашкин, Ю.Р. Математическая статистика. Анализ и обработка данных: Учебное пособие / Ю.Р. Чашкин; Под ред. С.Н. Смоленский. — Рн/Д: Феникс, 2021. — 236 c.
• Дэви Силен, Арно Мейсман, Мохамед Али, Основы Data Science и Big Data. Python и наука о данных. — СПб.: Питер, 2021. — 336 с
• Юре Лесковец, Ананд Раджараман, Джеффри Д. Ульман, Анализ больших наборов данных. — М.: ДМК Пресс, 2021. — 498 с.)

Дополнительная литература

• Рафалович В. Data mining, или интеллектуальный анализ данных для занятых. Практический курс / В. Рафалович. — М.: SmartBook, 2018. — 352 c.
• Форман Дж. Много цифр: Анализ больших данных при помощи Excel / Дж. Форман. — М.: Альпина Паблишер, 2019. — 461 c.