Data Analysis

2024/2025

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Department of Applied Mathematics and Informatics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:

Compulsory course

When:

3 year, 1, 2 module

Instructor

Shimko, Aleksei

Программа дисциплины

Аннотация

Изучение дисциплины «Введение в анализ данных» нацелено на освоение основных методов и алгоритмов анализа данных с применением языка программирования Python.Курс является вторым в майноре «Интеллектуальный анализ данных». Предполагается, что в результате освоения курса студенты будут способны самостоятельно проводить анализ различных наборов данных с использованием языка программирования Python.

Цель освоения дисциплины

• Знать основные методы анализа данных; о месте и ценности методов машинного обучения и разработки данных в современной науке и практической деятельности; основные каналы научной и прикладной информации по анализу данных
• Уметь использовать освоенные методы анализа данных для обработки конкретных наборов данных, анализировать результаты, делать выводы; формализовать конкретную задачу анализа данных и разработать алгоритм решения
• Владеть методами программирования, отлаживания и тестирования алгоритмов анализа данных

Планируемые результаты обучения

• Знает и умеет использовать программные реализации методов решения задачи классификации
• Знает и умеет использовать программные реализации методов решения задачи регрессии
• Знает и умеет использовать программные реализации основных алгоритмов кластерного анализа
• Знает основные методы кластерного анализа данных, основные способы измерения расстояния между объектами
• Знает основные методы решения задачи классификации, способы оценки точности классификации, способы борьбы с переобучением
• Знает основные методы решения задачи регрессии, способы оценки ошибки предсказания
• Знает основные типы данных, этапы предобработки данных, методы разведочного анализа данных
• Понимает концепцию задачи классификации как задачи машинного обучения
• Понимает концепцию задачи регрессии как задачи машинного обучения
• Понимает концепцию кластерного анализа данных, концепцию близкости (похожести) объектов
• Понимает концепцию структурированных и не структурированных данных, задачу анализа данных и машинного обучения
• Умеет выполнять предобработку данных и разведочный анализ данных с помощью релевантного программного обеспечения

Содержание учебной дисциплины

• Первичный анализ данных
• Методы кластеризации
• Методы предсказания. Регрессия
• Методы классификации

Элементы контроля

• Лабораторная работа
• Практическая работа
• Экзамен
• Домашнее задание

Промежуточная аттестация

• 2024/2025 2nd module
  0.2 * Домашнее задание + 0.2 * Лабораторная работа + 0.2 * Практическая работа + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8

Рекомендуемая дополнительная литература

• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
• Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.

Авторы

• Асеева Наталья Владимировна