Delivered at:: Department of Fundamental Mathematics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:: Compulsory course

When:: 3 year, 1 module

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению основных методов анализа данных и их практической реализации на языке Python. В рамках курса студенты освоят работу с табличными данными: фильтрацию, сортировку, создание новых признаков, объединение таблиц, построение сводных таблиц и визуализацию данных. Отдельное внимание уделяется описательной статистике, корреляционному анализу и проверке статистических гипотез. В заключительной части курса рассматриваются базовые методы машинного обучения — линейная и логистическая регрессия, обучение моделей и оценка их качества с помощью основных метрик. Практические задания направлены на формирование навыков самостоятельного анализа реальных наборов данных, интерпретации полученных результатов и подготовку к независимому экзамену по анализу данных базового уровня.

Цель освоения дисциплины

Цель освоения курса — формирование у студентов базовых теоретических знаний и практических навыков анализа данных с использованием языка Python. В результате освоения курса студенты должны уметь выполнять подготовку, обработку и визуализацию данных, применять основные методы описательной статистики и статистического тестирования гипотез, исследовать взаимосвязи между признаками, строить и оценивать модели линейной и логистической регрессии, а также интерпретировать результаты проведённого анализа. Курс направлен на развитие способности самостоятельно выбирать и применять подходящие методы анализа для решения практических задач и на подготовку к независимому экзамену по анализу данных базового уровня.

Планируемые результаты обучения

Студент умеет загружать и просматривать табличные данные, фильтровать наблюдения по заданным условиям и выполнять сортировку данных по одному или нескольким признакам.
Студент умеет создавать новые признаки на основе существующих столбцов, выполнять преобразования строковых и числовых данных, а также извлекать необходимую информацию из даты и времени.
Студент умеет объединять таблицы по одному или нескольким ключам, выбирать подходящий способ объединения и анализировать полученный результат.
Студент умеет группировать данные, рассчитывать агрегированные показатели и строить сводные таблицы для анализа взаимосвязей между признаками.
Студент умеет выбирать подходящий тип визуализации, строить основные статистические графики и интерпретировать представленную на них информацию.
Студент умеет рассчитывать основные описательные статистики, выбирать подходящие характеристики в зависимости от типа и распределения данных, интерпретировать полученные значения и выявлять выбросы.
Студент умеет рассчитывать коэффициенты корреляции Пирсона и Спирмена, выбирать подходящий коэффициент, интерпретировать его значение и анализировать взаимосвязи между признаками по графикам и корреляционной матрице.
Студент умеет разделять данные на обучающую и тестовую выборки, строить и обучать модель линейной регрессии, получать предсказания, интерпретировать параметры модели и рассчитывать основные метрики качества.
Студент умеет формулировать статистические гипотезы, выбирать подходящий статистический тест, проводить его в Python и интерпретировать полученные результаты на основе p-value.
Студент умеет строить и обучать модель логистической регрессии, получать предсказания классов и вероятностей, а также рассчитывать и интерпретировать метрики Accuracy, Precision, Recall, F1, ROC-AUC и Log Loss.

Содержание учебной дисциплины

Фильтрация и сортировка данных
Создание новых признаков
Объединение таблиц
Сводные таблицы
Визуализация данных
Описательные статистики
Корреляция
Линейная регрессия
Логистическая регрессия
Тестирование гипотез

Элементы контроля

HW
KP
экзамен
Activ

Промежуточная аттестация

2026/2027 1st module
0.3 * экзамен + 0.3 * KP + 0.2 * HW + 0.2 * Activ

Список литературы

Авторы

Корякин Владислав Андреевич
Трехлеб Ольга Юрьевна

Bachelor’s Programme 'Pure and Applied Mathematics'

Data Analysis in Python

Программа дисциплины