Классификация статистических данных

2020/2021

Статус: Майнор

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Когда читается: 3, 4 модуль

Преподаватели: Антонян Анна Артуровна, Балычева Юлия Евгеньевна, Богомолова Полина Максимовна, Васильев Денис Филиппович, Звездина Наталья Валерьевна, Максимова Маргарита Максимовна

Язык: русский

Кредиты: 5

Контактные часы: 76

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Целью курса является изучение основных направлений развития современных методов кластеризации объектов, среди которых иерархические и итерационные алгоритмы кластерного анализа, параметрическая и непараметрическая классификация, деревья решений и случайные леса. Важной особенностью курса является широкое использование наглядных примеров и применение широкого арсенала современных средств обработки статистической информации (например, в ППП SPSS, средах R, Python), освобождающих исследователя от вычислительной рутины и позволяющих превратить статистическое исследование в увлекательное занятие.

Цель освоения дисциплины

Целью освоения дисциплины Сравнительный анализ и классификация данных» является получение студентами основ понимания фундаментальных статистических принципов, роли многомерного статистического инструментария в фундаментальных и прикладных исследованиях. Особенностью курса является наличие большого числа примеров из реальной практи-ки, наглядно демонстрирующих разнообразие областей применения многомерного статисти-ческого инструментария, его значимости для различных сфер деятельности. При этом обуче-ние студентов основным графическим и табличным представлениям данных, основам их статистической обработки позволяет сделать результаты расчетов более наглядными и доступными для понимания и интерпретации. Знакомство с возможностями сбора и обработки данных будет опираться как на уни-версальные информационные технологии, так и на специализированные пакеты прикладных программ (ППП SPSS), а также сопровождаться большим количеством практических приме-ров и иллюстраций. За счет широкого применения компьютерных технологий в курсе значительное внима-ние уделяется интерпретации данных и статистических характеристик, получаемых по ре-зультатам расчетов.

Планируемые результаты обучения

Собирает информацию из разных источников, Проводит предварительный анализ данных, Изучает связи между переменными в многомерном пространстве с использованием современных программных продуктов
Проводит класстеризацию многомерных наблюдений с использованием иерархических и итеративных алгоритмов кластерного анализа. Строит и интерпретирует дендрограммы.
Использует итерационные алгоритмы для решения задач кластеризации объектов
Использует дскриминантный анализ для кластеризации новых объектов. Строит дискриминантные функции, интерпретирует межгрупповые различия. Выбирает показатели, обладающие наибольшей дискриминирующей силой
Проводит кластеризацию объектов с использованием деревьев решений.

Содержание учебной дисциплины

Предмет, содержание, задачи курса. Предварительный анализ данных. Основы корреляционного анализа
Кластеризация многомерных наблюдений. Кластерный анализ
Кластеризация многомерных наблюдений с обучением. Основы дискриминантного анализа
Деревья решений, случайные леса, нейросети

Элементы контроля

Модульная работа 1
Модульная работа 2
Активность на семинарах
Самостоятельная работа на лекциях
Экзамен

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.2 * Активность на семинарах + 0.2 * Модульная работа 1 + 0.2 * Модульная работа 2 + 0.1 * Самостоятельная работа на лекциях + 0.3 * Экзамен

Программа дисциплины