Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.

  • A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Статья
Partitioning vertices of graphs into paths of the same length

Duginov O., Dmitriy Malyshev, Dmitriy Mokeev

Discrete Applied Mathematics. 2025. Т. 373. С. 179-195.

Глава в книге
ALOE: Boosting Large Language Model Fine-Tuning with Aggressive Loss-Based Elimination of Samples

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

In bk.: Frontiers in Artificial Intelligence and Applications: 27th European Conference on Artificial Intelligence, 19–24 October 2024, Santiago de Compostela, Spain. Vol. 392. IOS Press Ebooks, 2024. P. 3980-3986.

Препринт
The Gamma-Theta Conjecture holds for planar graphs

Taletskii D.

math. arXiv. Cornell University, 2024

Контакты

603093 Н.Новгород, ул. Родионова, д. 136, 406 к.

Тел: (831) 436-13-97
E-mail: kaf_pmi@hse.ru

Современные методы анализа данных

2020/2021
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты

Преподаватель

Золотых Николай Юрьевич

Золотых Николай Юрьевич

Программа дисциплины

Аннотация

В курсе рассматриваются основные современные методы анализа данных. В результате овладения дисциплиной студент овладеет математическими основами анализа данных и овладеет компетенциями в области практического использования этих методов для анализа реальных данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • Развитие компетенций в области анализа данных
  • Развитие компетенций в области математических методов и информационных технологий.
Планируемые результаты обучения

Планируемые результаты обучения

  • Освоение основных теоретических положений современных методов анализа данных
  • Овладение практическими навыками анализа реальных данных
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Многомерные данные и их представление
    Многомерные данные. Первичная обработка. Пропуски и выбросы. Классификация и визуализация.
  • Дискриминантный анализ
    Линейный дискриминантный анализ. Квадратичный дискриминантный анализ.
  • Статистические основы многомерного анализа
    Основные понятия и методы многомерной статистики
  • Многомерное шкалирование
    Многомерное шкалирование для представления данных
  • Кластерный анализ
    Методы кластерного анализа. Метод средних, метод медоидов, алгоритм DBSCAN. Методы иерархической кластеризации
  • Факторный анализ
    Факторный анализ и его использование
  • Анализ главных компонент
    Метод главных компонент и его использование для анализа данных
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Домашнее задание
  • неблокирующий Домашнее задание
  • неблокирующий Домашнее задание
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (1 модуль)
    0.5 * Домашнее задание + 0.5 * Домашнее задание
  • Промежуточная аттестация (2 модуль)
    0.5 * Домашнее задание + 0.2 * Домашнее задание + 0.3 * Промежуточная аттестация (1 модуль)
Список литературы

Список литературы

Рекомендуемая дополнительная литература

  • Nelli, F. (2018). Python Data Analytics : With Pandas, NumPy, and Matplotlib (Vol. Second edition). New York, NY: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1905344
  • Под ред. Мхитаряна В.С. - АНАЛИЗ ДАННЫХ. Учебник для академического бакалавриата - М.:Издательство Юрайт - 2019 - 490с. - ISBN: 978-5-534-00616-2 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/analiz-dannyh-432178