Научно-практический семинар "Анализ данных"

Бакалавриат 2025/2026

ID 964761

Статус: Курс обязательный (Юриспруденция)

Кто читает: Кафедра фундаментальной математики

Где читается: Факультет информатики, математики и компьютерных наук (Нижний Новгород)

Когда читается: 3-й курс, 3 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Багаутдинова Эльмира Рафиковна, Корякин Владислав Андреевич

Язык: русский

Кредиты: 3

Контактные часы: 20

Дополнительные материалы в LMS Задать вопрос

Аннотация

Целью курса является получение компетенции, связанной с использованием математических методов, моделей и технологий искусственного интеллекта для создания алгоритмов на основе больших массивов данных, а также с решением профессиональных задач данными методами и разработкой новых подходов.

Цель освоения дисциплины

Сформировать у студентов базовые практические навыки работы с данными в Excel и Python

Планируемые результаты обучения

Студент уверенно работает в Excel и/или Python-ноутбуке с табличными данными: открывает файл, ориентируется в столбцах/строках, применяет базовые операции подготовки данных для дальнейшего анализа.
Студент знает термины линейной регрессии (y, x, коэффициенты, прогноз, остатки), строит модель, интерпретирует уравнение, считает ошибки/метрики качества.
Студент различает цель описательной статистики и анализа связей, понимает, что такое переменная/наблюдение/выборка, и умеет выполнить первичные шаги анализа: очистка, фильтрация, группировка, простые сводки.
Студент определяет типы переменных (количественная/категориальная/порядковая и т.п.) и создаёт новые признаки из исходных (арифметика, условия, категorizация), понимая как это влияет на выбор графиков и статистик.
Студент объясняет разницу между генеральной совокупностью и выборкой, строит частотные таблицы, читает распределения и корректно описывает данные словами.
Студент выбирает и рассчитывает подходящие описательные статистики (среднее/медиана/мода; размах/дисперсия/SD/IQR), понимает, когда что уместно, и интерпретирует результат.
Студент вычисляет z-оценку, понимает идею “N стандартных отклонений”, находит и считает выбросы/не-выбросы, объясняет влияние выбросов на среднее/SD и на выводы.
Студент рассчитывает коэффициент корреляции, интерпретирует знак/силу связи и умеет объяснить это по диаграмме рассеяния (и помнит, что корреляция ≠ причинность).
Студент подбирает график под тип переменной и задачу (распределение, сравнение групп, связь признаков), умеет читать график и строить визуализации по данным (в Excel/Python).