Бакалавриат
2025/2026
Математическая статистика и анализ данных (проектный курс)
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс по выбору (Математика)
Где читается:
Факультет компьютерных наук
Когда читается:
3-й курс, 3, 4 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
6
Контактные часы:
30
Программа дисциплины
Аннотация
Дисциплина «Математическая статистика и анализ данных: проектный курс» ориентирована на студентов, уже владеющих базовыми инструментами анализа данных, математической статистики и программирования. В отличие от классического курса, построенного вокруг последовательного изучения тем, дисциплина реализуется в формате проектного трека: студенты выбирают исследовательскую задачу, работают над ней под руководством преподавателя и в течение курса проходят несколько этапов — от постановки проблемы и обзора литературы до реализации метода, анализа результатов и защиты проекта.
Тематика проектов находится на стыке математической статистики, анализа данных, топологического анализа данных, анализа сложных сетей, временных рядов, теории графов, представлений колчанов и анализа современных ML-моделей.
Цель освоения дисциплины
- Цель дисциплины — сформировать у студентов опыт самостоятельной исследовательской работы в области математической статистики и анализа данных: от постановки задачи и выбора методов до программной реализации, анализа результатов и публичной защиты проекта.
Планируемые результаты обучения
- Знать методы математической статистики, применимые к эмпирическим и модельным данным.
- Знать базовые принципы проверки статистических гипотез, оценки параметров и анализа зависимостей
- Знать подходы к анализу графов, временных рядов, изображений, матриц внимания и сложных систем
- Знать требования к воспроизводимому исследованию: структура кода, документация, хранение данных, интерпретация результатов
- Уметь выбирать методы анализа данных в зависимости от типа объекта: временной ряд, граф, изображение, матрица внимания, категория/колчан
- Уметь проводить вычислительные эксперименты и интерпретировать их результаты
- Уметь проверять статистические гипотезы и критически оценивать выводы
- Уметь готовить академический отчет и презентацию проекта
- Владеть навыками работы с Python/R или иными инструментами анализа данных
- Владеть навыками построения исследовательского пайплайна
- Владеть навыками визуализации и интерпретации результатов
Содержание учебной дисциплины
- Тема 1.
- Тема 2.Типы данных и объектов: графы, изображения, временные ряды, матрицы внимания, категориальные структуры, колчаны. Источники данных. Очистка, хранение и документирование данных. Требования к воспроизводимости: структура репозитория, ноутбуки, скрипты, README, фиксация версий библиотек.
- Тема 3.
- Тема 4.
- Тема 5.
- Тема 6.
- Тема 7.
- Тема 8.
Элементы контроля
- КТ₁Первая контрольная точка: постановка задачи, обзор литературы, план исследования
- КТ₂Вторая контрольная точка: промежуточные результаты, реализация метода, анализ ограничений и план финальной доработки
- ПроектТребования к итоговому проекту: К защите студент представляет: 1. итоговый отчет; 2. презентацию; 3. код или программную реализацию; 4. данные или описание способа их получения; 5. результаты вычислительных экспериментов; 6. описание ограничений проекта и возможных направлений продолжения работы. Итоговый проект должен демонстрировать не только техническую реализацию, но и исследовательскую логику: зачем выбран данный метод, какие гипотезы проверяются, какие выводы можно сделать и где находятся границы применимости результата.
Промежуточная аттестация
- 2025/2026 4th moduleФормула: [ О_{курс} = 0{,}5 \times КТ_1 + 0{,}5 \times КТ_2 ] где: • КТ₁ — первая контрольная точка: постановка задачи, обзор литературы, план исследования; • КТ₂ — вторая контрольная точка: промежуточные результаты, реализация метода, анализ ограничений и план финальной доработки.
Список литературы
Рекомендуемая основная литература
- 9780199206650 - Newman, Mark - Networks : An Introduction - 2010 - Oxford University Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=458550 - nlebk - 458550
- 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
- Network science, Barabasi, A.-L., 2019
- The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
- Wasserman, L. All of nonparametric statistics. – Springer Science & Business Media, 2006. – 270 pp.
- Анализ социологических данных с помощью пакета SPSS : Учеб. пособие для вузов, Крыштановский, А. О., 2007
- Прикладная статистика. Основы эконометрики. Т.1: Теория вероятностей и прикладная статистика, Айвазян, С. А., 2001
- Прикладные методы анализа статистических данных : учеб. пособие, Горяинова Е.Р., Панков А.Р., 2012
- Теория вероятностей и математическая статистика, Колданов, А. П., 2023
Рекомендуемая дополнительная литература
- 9780387217369 - Larry Wasserman - All of Statistics : A Concise Course in Statistical Inference - 2010 - Springer - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2544135 - nlebk - 2544135