Advanced Programming and Data Analysis

Bachelor 2024/2025

Type: Compulsory course (Digital Product Management)

Area of studies: Business Informatics

Delivered by: Department of Business Informatics

Where: Graduate School of Business

When: 3 year, 3 module

Mode of studies: offline

Open to: students of one campus

Instructors: Ilya Kosarev, Yury Sanochkin

Language: English

ECTS credits: 4

Full Syllabus Ask Question

Abstract

Курс нацелен на разбор задач по алгоритмам и структурам данных, а также решению кейсов по анализу данных, относящихся к задачам средней и повышенной сложности. Решение подобных задач позволит углубить знания студентов по программированию и машинному обучению.

Learning Objectives

Изучить базовые возможности языка программирования Python и разобраться с основными понятиями алгоритмической сложности для оценки эффективности алгоритмов.
Освоить принципы выбора подходящих структур данных для реализации различных алгоритмов, обеспечивая оптимальную производительность и эффективность
Изучить алгоритмы бинарного поиска и сортировки, а также научиться применять их на практике для решения задач различных уровней сложности
Развить навыки оптимального использования системных и программных ресурсов при разработке на Python, включая управление памятью и обработку данных.
Понять и реализовать основные алгоритмы обработки массивов данных, включая вычисление префиксных сумм для повышения эффективности решения комплексных задач.
Ознакомиться с методом двух указателей и жадными алгоритмами, научиться применять их для оптимального решения задач оптимизации и поиска.
Изучить основные методики и техники оптимизации алгоритмов для повышения их производительности и снижения временных и пространственных затрат.
Понять основные структуры данных деревьев и графов, освоить методы динамического программирования для решения сложных задач, связанных с этими структурами.
Изучить возможности языка программирования Python для решения задач анализа данных, освоить ключевые библиотеки и инструменты для обработки и очистки данных, а также развить практические навыки применения Python в аналитических проектах.
Освоить основные методы и техники визуализации данных, научиться эффективно представлять информацию с помощью графических инструментов, а также применять современные технологии и библиотеки для создания информативных и наглядных визуальных представлений данных.
Изучить фундаментальные математические концепции и методы, необходимые для анализа данных и машинного обучения
Получить глубокие знания о задачах Supervised Machine Learning, ознакомиться с разнообразными алгоритмами и моделями, освоить методы оценки и улучшения их производительности, а также развить практические навыки реализации и применения моделей Supervised Machine Learning в реальных задачах.

Expected Learning Outcomes

Develop and Debug Python Programs
Evaluate and Compare Algorithmic Complexity
Identify and Select Appropriate Data Structures
Implement and Optimize Algorithms Using Selected Data Structures
Implement Search and Sort Algorithms
Analyze and Compare Algorithmic Efficiency
Optimize Memory and Resource Usage
Identify and Resolve Performance Bottlenecks
Implement Array-Based Algorithms and Prefix Sum Techniques
Analyze and Optimize Algorithm Performance
Apply the Two Pointers Technique to Solve Complex Problems
Design and Implement Greedy Algorithms for Optimization Tasks
Implement Advanced Optimization Techniques
Evaluate and Select Appropriate Optimization Strategies
Design and Implement Tree and Graph Algorithms
Apply Dynamic Programming Techniques to Optimize Solutions
Manipulate and Analyze Data Using Python Libraries
Implement Data Preprocessing and Integration Techniques
Create Diverse Data Visualizations Using Python Libraries
Apply Principles of Effective Data Storytelling and Design
Apply Mathematical Concepts to Data Analysis and Machine Learning
Optimize Machine Learning Algorithms Using Mathematical Techniques
Design and Implement Supervised Learning Models
Evaluate and Optimize Model Performance

Course Contents

Python & Algorithmic Complexity Basics
Data Structure Selection for Common Algorithms
Effective Resource Management in Python
Binary Search & Sorting
Data Arrays Algorithms & Prefix Sum
Two Pointers Method & Greedy Algorithms
Common Algorithmic Optimization Approaches
Trees, Graphs & Dynamic Programming
Python for Data Analysis Tasks
Visualisations in Data Analysis
Mathematics for Data Analysis and Machine Learning
Tasks of Supervised Machine Learning

Assessment Elements

HA
Average grade for all practical homework assignments provided in the course
Activity
Exam
The exam is a practical work performed by students based on the results of mastering the course.
Control Work

Interim Assessment

2024/2025 4th module
Grade = 0.3 * Activity + 0.3 * Control Work + 0.1 * Home Assignments + 0.3 * Exam Final Grade = min(Grade, 8)

Bibliography

Recommended Core Bibliography

Algorithms and complexity, Wilf, H. S., 2002
Álvaro Scrivano. (2019). Coding with Python. Minneapolis: Lerner Publications ™. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1947372
Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
Cormen, T. H., Leiserson, C. E., Rivest, R. L., Stein, C. Introduction to Algorithms (3rd edition). – MIT Press, 2009. – 1292 pp.
Grus, J. (2019). Data Science From Scratch : First Principles with Python (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2102311
Kleinberg, J., & Tardos, E. (2014). Algorithm Design: Pearson New International Edition. Harlow, Essex: Pearson. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1418332
Knaflic C.N. Storytelling with data: a data visualization guide for business professionals. New Jersey: Wiley, 2015.
McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
Robert Sedgewick, & Kevin Wayne. (2014). Algorithms : Part I. [N.p.]: Addison-Wesley Professional. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1600534
Rogers, S., & Girolami, M. (2016). A First Course in Machine Learning (Vol. 2nd ed). Milton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1399490

Recommended Additional Bibliography

A Tutorial on Machine Learning and Data Science Tools with Python. (2017). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E5F82B62
Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
Hetland, M. L. (2017). Beginning Python : From Novice to Professional (Vol. Third edition). New York: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1174463
Introduction to the design and analysis of algorithms, Levitin, A., 2012
McKinney, W. (2012). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython. Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=495822
Robert Sedgewick, & Kevin Wayne. (2014). Algorithms, Part II. Addison-Wesley Professional.
Vanderplas, J.T. (2016). Python data science handbook: Essential tools for working with data. Sebastopol, CA: O’Reilly Media, Inc. https://proxylibrary.hse.ru:2119/login.aspx?direct=true&db=nlebk&AN=1425081.

Authors

Sanochkin Yuriy Ilich
KOSAREV ILYA MAKSIMOVICH

Course Syllabus