Современные методы анализа данных и машинного обучения

Бакалавриат 2024/2025

Статус: Курс обязательный (Бизнес-информатика)

Направление: 38.03.05. Бизнес-информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Высшая школа бизнеса

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 50

Охват аудитории: для своего кампуса

Преподаватели: Карпов Максим Евгеньевич, Паточенко Евгений Анатольевич, Саночкин Юрий Ильич, Сусов Андрей Алексеевич

Язык: русский

Кредиты: 7

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Данный курс посвящен изучению основ аналитики данных; построению визуализаций; разработке и проверке продуктовых гипотез и проведению продуктовых исследований; освоению элементов дата-инжиниринга; изучению классического и глубинного машинного обучения, включая математику машинного обучения и методы математической статистики в анализе данных; проведению А/В-тестирований; разработке рекомендательных систем, а также большим языковым моделям (LLM). В контексте курса делается упор на техническую и аналитическую составляющую с подробным обсуждением специализированных библиотек для работы с данными. Все темы и блоки в рамках курса рассматриваются на примере реализации реальных бизнес-задач, что таким образом еще сильнее расширяет прикладную значимость материала.

Цель освоения дисциплины

Уверенное владение языком программирования Python на базовом уровне для решения задач аналитики. Умение применять специальные библиотеки Numpy, Pandas для анализа бизнес-данных
Выработка навыков осуществления первичного анализа данных, построения визуализаций данных и их интерпретация
Знакомство с основными продуктовыми гипотезами, продуктовыми метриками. Умение их применять при решении бизнес-задач на практике
Ознакомление с принципами извлечения данных с внешних ресурсов и обработки полученных данных
Проработка математической основы использования машинного обучения, применение линейной алгебры и математического анализа для осуществления алгоритмов
Знакомство с машинным обучением в контексте задач классического машинного обучения
Знакомство с понятием временных рядов, в том числе неоднородных временных рядов, и умение использовать модели анализа временных данных для решения прикладных задач
Изучение принципов глубинного обучения и применения их на практике для решения бизнес-задач

Планируемые результаты обучения

Уметь применять подходы математической статистики для решения бизнес-задач
Уметь работать и анализировать данные, имеющие временную отметку
Уметь применять алгоритмы временных рядов на реальных данных
Уметь отличать однородные и неоднородные временные ряды
Уметь работать с неоднородными временными рядами, применять алгоритмы анализа и прогнозирования неоднородных временных рядов
Владеть основами синтаксиса библиотек Matplotlib, Seaborn
Строить простейшие визуализации данных
Применять на практике основы EDA, осуществлять разведочный анализ данных
Работать с интерактивными визуализациями
Уметь вычислять и анализировать продуктовые метрики
Уметь строить и проверять продуктовые гипотезы
Осуществлять парсинг данных с внешних ресурсов
Работать с API внешних ресурсов
Уметь применять знания линейной алгебры в Python
Уметь применять знания математического анализа в Python
Использовать математический анализ и линейную алгебру для математического обоснования и оптимизации решений задач машинного обучения
Уметь применять машинное обучение для решения задач анализа данных
Дифференцировать методы машинного обучения по типам решаемых задач, метрикам качества, функциям ошибки, применять методы машинного обучения на практике
Решать задачи кластеризации на практике с использованием методов машинного обучения
Уметь применять нейронные сети для решения различных задач машинного обучения
Уметь создавать и настраивать рекомендательную систему на основе данных
Применять методы MLOps для внедрения алгоритмов машинного обучения

Содержание учебной дисциплины

Задачи анализа данных, аналитики, основы EDA
Продуктовые гипотезы, продуктовые метрики
Извлечение данных
Математическая статистика в анализе данных
Классическое машинное обучение
Математика для машинного обучения
Рекомендательные системы
Анализ и прогнозирование временных рядов
Глубинное обучение
MLOps

Элементы контроля

ДЗ
Средняя оценка за все практические домашние задания, предусмотренные на курсе
ГП
Средняя оценка за все практические групповые инициативные проекты, предусмотренные на курсе
Активность
Оценивание посещения и активности студента на семинарах, а также активности на лекциях
КР-1
Контрольная работа представляет собой проверочный элемент контроля, выполняемый студентами по результатам освоения первой трети курса
КР-2
Контрольная работа представляет собой проверочный элемент контроля, выполняемый студентами по результатам освоения второй трети курса
Проект
Оценка за практический проект по неоднородным временным рядам, выполняющийся в классе
Экзамен
Экзамен представляет собой практическую работу, выполняемую студентами по результатам освоения курса

Промежуточная аттестация

2024/2025 4th module
0.2 * Активность + 0.2 * ГП + 0.1 * ДЗ + 0.1 * КР-1 + 0.1 * КР-2 + 0.05 * Проект + 0.25 * Экзамен

Список литературы

Авторы

Королева Анастасия Романовна
Саночкин Юрий Ильич

Программа дисциплины