What is Data Science?

2020/2021

Academic Year

RUS

Instruction in Russian

8

ECTS credits

Delivered at:

Department of Humanities (Faculty of Computer Science, Economics, and Social Sciences)

Course type:

Compulsory course

When:

1 year, 1-3 module

Instructors

Buzmakov, Aleksey V.

Senina, Anna

Chunareva, Svetlana F.

Программа дисциплины

Аннотация

Дисциплина представляет собой вводный курс в Data Science. Он включает в себя изучение необходимых для дальнейшей работы основ математики, прежде всего математической статистики, овладение необходимым инструментарием SPSS и Python; основных задач анализа данных и машинного обучения (регрессия, классификация, кластеризация), методы анализа текстовых данных.

Цель освоения дисциплины

• Цель дисциплины «Введение в науку о данных» – формирование теоретических и практических компетенций в следующих областях: математическая статистика и методы количественного анализа данных; технологии анализа данных, связанные с манипуляцией большими объемами данных (сбор, очистка, подбор подходящей структуры для формального представления) и методами их визуализации; прикладные навыки в области машинного обучения.

Планируемые результаты обучения

• Знает основные понятия матема-тической статистики, использует программные средства для ста-тистического анализа.
• Демонстрирует навыки визуализации данных.
• Умеет применить основные методы машинного обучения для решения задач предметной области, может сделать выводы по результатам проделанной работы.

Содержание учебной дисциплины

• Раздел 1. Основы математики
  Элементы математического анализа, множества, функции, графики функции, аппроксимация, дифференциальное исчисление. Элементы линейной алгебры, понятие вектора, матрицы, метрики. Основы теории вероятностей и математической статистики. Базовые понятия статистики (выборка, распределение, среднее, мода и медиана, доверительные интервалы, дисперсия и среднеквадратическое отклонение). Методы проверки гипотез. Сбор и подготовка данных для анализа. Работа с Excel, SPSS, Python.
• Раздел 2. Методы визуализации данных: диаграммы рассеяния, визуализация погрешностей, гистограммы.
  Методы визуализации малоразмерных данных. Методы анализа многомерных данных (метод главных компонент и многомерное шкалирование).
• Раздел 3. Основные задачи и методы машинного обучения.
  Классические задачи машинного обучения: регрессия, классификация, кластеризация. Основы глубинного обучения для анализа текстовых данных.

Элементы контроля

• Проект в рамках 2 и 3 раздела
  Письменный отчёт с постановкой задачи, её решение методами, обсуждаемыми на курсе, и выводы о полученных результатах.
• Экзамен
  Экзамен по дисциплине пройдет онлайн (в zoom) в период сессии 3-го модуля.
• Работа на аудиторных занятиях в рамках первого раздела

Промежуточная аттестация

• Промежуточная аттестация (3 модуль)
  0.4 * Проект в рамках 2 и 3 раздела + 0.2 * Работа на аудиторных занятиях в рамках первого раздела + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Иванов Б.Н. - Теория вероятностей и математическая статистика: учебное пособие - Издательство "Лань" - 2019 - 224с. - ISBN: 978-5-8114-3636-1 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/113901

Рекомендуемая дополнительная литература

• Дюк В.А. - Логический анализ данных: учебное пособие - Издательство "Лань" - 2020 - 80с. - ISBN: 978-5-8114-4180-8 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/126935
• Салин В.Н., Шпаковская Е.П., Вахрамеева М.В. - Социально-экономическая статистика: Практикум: учебное пособие - Издательство "Финансы и статистика" - 2016 - 192с. - ISBN: 978-5-279-02637-1 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/91210
• Юре Лесковец, Ананд Раджараман, Джеффри Д. Ульма - Анализ больших наборов данных - Издательство "ДМК Пресс" - 2016 - 498с. - ISBN: 978-5-97060-190-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/93571