Data Analysis in Python

2023/2024

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Big Data and Information Retrieval School

Course type:

Compulsory course

When:

3 year, 1 module

Instructor

Boldyrev, Alexey

Программа дисциплины

Аннотация

Данный курс представляет собой адаптацию общеуниверситетского курса по анализу данных специально для студентов образовательной программы «Юриспруденция» и направлен на формирование компетенций в области статистики и анализа данных. В курсе будут рассмотрены темы, которые необходимы для успешного освоения основных понятий и методов, связанных с анализом данных. Дисциплина реализуется с помощью онлайн-курса «Учебник по Анализу данных (Начальный уровень)» в SmartLMS (https://edu.hse.ru/course/view.php?id=136231).

Цель освоения дисциплины

• Развитие и закрепление навыков программирования на языке Python.
• Формирование и развитие навыков работы со специализированными библиотеками для обработки, визуализации и анализа данных (pandas, numpy, scipy, sklearn, plotly, matplotlib).
• Развитие навыков работы с данными: сбор, обработка, визуализация, разведывательный анализ.
• Освоение терминологии области машинного обучения и знакомство с базовыми алгоритмами
• Развитие навыков постановки исследовательской задачи и тестирования гипотез с помощью количественных методов
• Развитие навыков презентации полученных результатов (оформление отчета о проделанной работе и устная защита исследования)

Планируемые результаты обучения

• Уверенно пользоваться языком Python для решения аналитических задач
• Умение подсчитывать описательные статистики, оценивать распределения, интерпретировать корреляции
• Загружать данные в pandas и работать с ними (фильтрация, агрегация, заполнение пропущенных значений)
• Определять тип задачи машинного обучения, выбирать корректные модели для ее решения, осуществлять подбор параметров и выбирать лучшую модель
• Проводить разведывательный анализ данных
• Работать с сайтом соревнований по машинному обучению kaggle
• Решать задачи машинного обучения от постановки исследовательского вопроса до интерпретации результатов
• Решать простые задачи классификации, регрессии и кластеризации
• Собирать и подготавливать данные для текстового анализа. Проводить стандартизацию текста. Решать задачи классификации и кластеризации для текстовых данных
• Создавать интерактивные визуализации с помощью plotly
• Умение выбирать корректные графики для визуализации данных, уметь кастомизировать их внешний вид, интерпретировать графики

Содержание учебной дисциплины

• Python для анализа данных, алгоритмы
• Библиотеки для работы с данными в Python
• Визуализация данных
• Машинное обучение
• Текстовый анализ

Элементы контроля

• КР в формате НЭ
  формат сдачи контрольного мероприятия зависит от формата проведения занятий (для онлайн-занятий – возможно использование прокторинга)
• мини-тесты
  формат сдачи контрольного мероприятия зависит от формата проведения занятий (для онлайн-занятий – возможно использование прокторинга)
• Проект
  формат сдачи контрольного мероприятия зависит от формата проведения занятий (для онлайн-занятий – возможно использование прокторинга)

Промежуточная аттестация

• 2023/2024 учебный год 1 модуль
  min(0.3 * мини-тесты в начале лекций + 0.4 * КР в формате НЭ + 0.3 * Проект, 8) В соответствии с п. 69 “Положения об организации промежуточной аттестации и текущего контроля успеваемости студентов” (ПОПАТКУСа) итоговая оценка студента за дисциплину-пререквизит (ДПР) к НЭ по АД не может быть больше 8 баллов. 9 или 10 за ДПР можно получить, сдав НЭ на 9 или 10 (см. раздел «Перезачет оценок» https://www.hse.ru/studyspravka/examsdataculture)

Список литературы

Рекомендуемая основная литература

• Бонцанини, М. Анализ социальных медиа на Python. Извлекайте и анализируйте данные из всех уголков социальной паутины на Python / М. Бонцанини , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 288 с. — ISBN 978-5-97060-574-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/108129 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Введение в статистическое обучение с примерами на языке R / Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани , перевод с английского С. Э. Мастицкого. — Москва : ДМК Пресс, 2017. — 456 с. — ISBN 978-5-97060-495-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93580 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Маккинни, У. Python и анализ данных / У. Маккинни , перевод с английского А. А. Слинкина. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2020. — 540 с. — ISBN 978-5-97060-590-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131721 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• HEER, J., BOSTOCK, M., & OGIEVETSKY, V. (2010). A Tour Through the Visualization Zoo. Communications of the ACM, 53(6), 59–67. https://doi.org/10.1145/1743546.1743567