Прикладные методы анализа данных при создании информационно-аналитических систем

Бакалавриат 2025/2026

Статус: Курс обязательный (Информатика и вычислительная техника)

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

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 4-й курс, 1-3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Контактные часы: 76

Дополнительные материалы в LMS Задать вопрос

Аннотация

Основная цель курса - формирование у слушателей системного взгляда на возможности и ограничения математического аппарата - машинного обучения и статистических методов, изучение опыта использования алгоритмов анализа данных для разработки и реализации информационно-аналитических систем (ИАС) в различных экономических сферах. Курс включает в себя изучение постановки и решения задач методами анализа данных (деревья решений, логистическая регрессии, нейронные сети), подготовке данных к использованию математическими моделями, изучение особенностей и этапов применения данных, методов анализа данных при создании ИАС, в том числе на языке программирования Python.

Цель освоения дисциплины

Развитие и закрепление практических навыков в построении математического обеспечения информационно-аналитических систем, включающих интеллектуальную обработку данных
Приобретение студентами знаний о применении различных статистических, математических методов анализа данных
Приобретение студентами навыка разработки и построения математического обеспечения корпоративных обучаемых экспертных систем, используемых для поддержки принятия решений

Планируемые результаты обучения

Объясняет общие принципы построения и цели создания информационно-аналитических систем для решения прикладных задач.
Различает и выявляет типы данных, пропуски, аномалии и выбросы в рамках описательного анализа
Преобразовывает переменные, обрабатывает пропуски и выбросы, используя общие возможности Python для предобработки данных
Рассчитывает и решает задачи балансировки классов и оптимизации гиперпараметров классических моделей ML
Сравнивает метрики качества для оценки эффективности моделей линейной и логистической регрессии, деревьев решений
Различает и распознаёт типы задач, для решения которых применяются бэггинг, бустинг, методы кластеризации и KNN.
Объясняет принципы работы ансамблевых методов (бэггинг, бустинг), методов снижения размерности и кластеризации
Рассчитывает расстояния для метода ближайших соседей и преобразовывает данные для снижения размерности
Аргументирует выбор конкретного алгоритма машинного обучения и его конфигурации для решения поставленной бизнес-задачи
Разрабатывает скрипты с использованием MLflow для трекинга экспериментов
Объясняет базовые принципы работы и архитектуры нейронных сетей (сверточных) и основ причинного вывода (uplift-моделирование)
Прогнозирует потенциальный эффект (uplift) от маркетинговых вмешательств, используя методы причинного вывода
Сравнивает подходы к построению рекомендательных систем (коллаборативная фильтрация, контентно-ориентированные) и взвешивает их альтернативы
Доказывает результативность своего решения в ходе презентации итоговой исследовательской работы, обосновывая выбор методов и интерпретируя полученные результаты

Содержание учебной дисциплины

Основы построения ИАС, подготовка данных и классические модели ML
Построение классических моделей машинного обучения
Некоторые продвинутые подходы к решению специализирваонных задач анализа данных

Элементы контроля

Активность
Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией
Экзамен

Промежуточная аттестация

2025/2026 2nd module
0.5 * Активность + 0.5 * Активность
2025/2026 3rd module
0.1 * Активность + 0.4 * Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией + 0.5 * Экзамен

Список литературы

Авторы

Романова Ирина Ивановна
Новиков Роман Сергеевич

Программа дисциплины