Прикладные методы анализа данных при создании информационно-аналитических систем

Бакалавриат 2026/2027

ID 1119999

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

Преподаватели: Новиков Роман Сергеевич

Язык: русский

Кредиты: 8

Контактные часы: 76

Дополнительные материалы в LMS Задать вопрос

Аннотация

Учебная дисциплина посвящена изучению возможностей и ограничений математического аппарата (машинного обучения и статистических методов), изучению опыта использования алгоритмов анализа данных при разработке и реализации информационно-аналитических систем (ИАС) в различных экономических сферах. Курс включает в себя изучение постановки и решения задач методами анализа данных, подготовке данных к использованию математическими моделями, изучение особенностей и этапов применения данных, методов анализа данных (линейные модели, логические модели, ансамбли, нейронные сети) при создании ИАС, в том числе на языке программирования Python. Пререквизиты: линейная алгебра, теория вероятностей и математическая статистика; базовое программирование на Python; базовые понятия машинного обучения.

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
Объясняет жизненный цикл ML-модели и принципы MLOps в ИАС
Ведёт эксперименты в MLflow и обеспечивает воспроизводимость решения
Настраивает мониторинг качества моделей, отслеживает дрейф

Содержание учебной дисциплины

Основы построения ИАС, подготовка данных и классические модели ML
В ходе изучения данного раздела студент в рамках самостоятельной работы студент начнет работу над индивидуальной исследовательской работой в качестве собственного сквозного кейса: постановка задачи и поиск данных, предварительный анализ и обработка данных, моделирование и оценка моделей
Построение классических моделей машинного обучения
В ходе изучения данного раздела студент продолжает работу над индивидуальной исследовательской работой как сквозным кейсом: дополнительный анализ и обработка данных, моделирование и оценка более сложных моделей (ансамбли), интерпретация работы модели.
Некоторые продвинутые подходы к решению специализированных задач анализа данных
В ходе изучения данного раздела студент продолжает работу над индивидуальной исследовательской работой как сквозным кейсом: постановка дополнительной задачи, дополнительный анализ и обработка данных, моделирование и оценка специализированных моделей.
MLOps и продуктивизация моделей
В ходе изучения данного раздела студент завершает работу над индивидуальной исследовательской работой как сквозным кейсом: ведение экспериментов, упаковка лучшей модели в контейнер, разворачивание сервиса, оформление аналитического отчета и доклад с презентацией.

Элементы контроля

Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией
Постановка задачи: студент согласует свою бизнес-задачу с преподавателем, формулирует цель, метрику успеха, ограничения. Исходные данные: согласованный обезличенный реальный набор данных (таблица). Требуемые артефакты: скрипты с EDA, обучением и оценкой моделей; отчёт по шаблону; презентация. Данная работа является сквозным кейсом, над которым студент будет работать на протяжений всей дисциплины. Студент может выбирать по согласованию с преподавателем: - тему - тип итоговой задачи: классификация/регрессия, uplift/рекомендации/прогноз временного ряда - данные
Активность
Преподаватель оценивает участие и общую активность студентов на практических занятиях (дискуссии и обсуждения). На практических занятиях предусмотрено тестирование на 10-15 минут по пройденному материалу. Тест состоит из 10-15 вопросов с вариантами ответа.
Экзамен
Экзамен проводится в виде ответа на теоретические вопросы по пройденным материалам из билета перед преподавателем. Каждый студент получает билет с 2 вопросами. На подготовку к ответу дается 40 минут. По желанию студента возможен досрочный ответ.

Промежуточная аттестация

2026/2027 2nd module
0.5 * Активность
2026/2027 3rd module
0.1 * Активность + 0.4 * Индивидуальная письменная исследовательская работа и доклад по ее результатам с презентацией + 0.5 * Экзамен

Список литературы

Авторы

Новиков Роман Сергеевич
Романова Ирина Ивановна

Программа дисциплины