Современные методы анализа данных

Магистратура 2020/2021

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Программирование и анализ данных)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент информатики

Где читается: Санкт-Петербургская школа физико-математических и компьютерных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Дудоров Сергей Александрович, Шпильман Алексей Александрович

Прогр. обучения: Программирование и анализ данных

Язык: русский

Кредиты: 4

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

Целью освоения дисциплины «Современные методы анализа данных» является изучение основных аппаратов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей, основ теории байесовского вывода. В результате изучения дисциплины у студента будет сформировано представление о современном состоянии дел в теории байесовского вывода. Студент получит также представление об основных методах машинного обучения, соответствующих алгоритмах вывода, вероятностных основах машинного обучения и соответствующих моделях. Изучение дисциплины будет способствовать как развитию вероятностной интуиции и разработке моделей и методов машинного обучения, так и практическому их применению.

Цель освоения дисциплины

Целью освоения дисциплины «Современные методы анализа данных» является основных аппаратов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей.

Планируемые результаты обучения

Знает: главные методы, техники, темы и прикладные возможности. Владеет понятием анализа данных в различных прикладных областях. Знает этапы анализа данных. Знает: инструменты R, RStudio, Python (пакеты scipy и numpy, сборка Anaconda, Pandas, Scikit-learn и др.)
Владеет понятиями визуализации и агрегации данных: фильтрация, объединение, сортировка данных. Работает с датами и текстовыми данными. Оценивает параметры распределений. Знает метод максимального правдоподобия.
Владеет понятием статистического обучения в бизнесе, социологии, экономике. Знает возможности применения статистического обучения в информационных системах. Знает: классификационные и регрессионные деревья; линейную регрессию; квадратичную функцию потерь и предположение о нормальном распределении шума.
Владеет понятиями: объединения моделей; усреднение, бутстрап, бэггинг; бустинг: AdaBoost. Знает алгоритм Random Forest.
Знает модели, допускающие интерпретацию. Владдет понятием интерпретации моделей “черного ящика”. Владдет понятием глобальной интерпретации (знает важность признаков, ICE графики)
Знает проблему выявления причинно-следственных связей. Владеет понятиями: случайных экспериментов; выборки и смещения; мэтчинга. Знает оценки ATE, ATC