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»

Статус: Курс обязательный (Машинное обучение 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: 1-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Гориховский Вячеслав Игоревич, Пусев Руслан Сергеевич, Шпильман Алексей Александрович

Прогр. обучения: Машинное обучение и анализ данных

Язык: русский

Кредиты: 6

Контактные часы: 112

Полная версия программы учебной дисциплины Задать вопрос

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

Содержание учебной дисциплины

Введение, основные понятия анализа данных
Выводы на основе данных: проверка гипотез и статистические тесты
Предсказания на основе данных. Классификация и регрессия
Ансамбли моделей
Интерпретация моделей
Причинно-следственные связи

Элементы контроля

Домашнее задание №1
Экзамен
Домашнее задание №2
Экзамен
Экзамен проводится на платформе Zoom. Экзамен проводится в устной форме (опрос по материалам курса). По просьбе преподавателя студент должен быть готов выполнить некоторые задания в письменном виде, после чего сфотографировать и выслать на почту преподавателю. К экзамену необходимо подключиться согласно расписанию, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка платформы Zoom. Для участия в экзамене студент обязан: выбрать себе имя в Zoom совпадающее с его именем и фамилией, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена студентам запрещается выключать камеру. Ипользование конспектов или других справочных материалов допускается только с разрешения преподавателя. Кратковременным нарушением связи во время экзамена считается нарушение связи менее 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи возможность продолжения студентом участие в экзамене определяется преподавателем. Процедура пересдачи подразумевает использование усложненных заданий.

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.5 * Домашнее задание №1 + 0.5 * Экзамен
Промежуточная аттестация (4 модуль)
0.5 * Домашнее задание №1 + 0.5 * Экзамен

Программа дисциплины