Программирование для анализа данных и воспроизводимые исследования

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: Майнор

Кто читает: Департамент информатики

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

Когда читается: 1, 2 модуль

Преподаватели: Булыгин Денис Игоревич, Суворова Алёна Владимировна, Сущевский Всеволод Вячеславович

Язык: русский

Кредиты: 5

Контактные часы: 56

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс посвящен развитию базовых навыков работы с инструментальным средствам анализа данных и технологиям обработки данных. Курс дополняет и расширяет знания в области прикладной статистики и демонстрирует применения традиционных статистических методов (тестов) к различным задачам. Итогом курса является наличие у студентов навыков обработки уже собранных данных, а так же базовые навыки сбора данных.

Цель освоения дисциплины

Целями освоения дисциплины «Программирование для анализа данных и воспроизводимые исследования» являются изучение особенностей различных методов сбора и агрегации данных, формирование навыков планирования сбора и обработки данных, изучение пакетов ориентированных на основные этапы подготовки данных и их анализа.

Планируемые результаты обучения

Знает основные понятия языка R
Создает отчеты с помощью RMarkdown
Владеет инструментарием визуализации и агрегации данных в R
Выбирает тип графика в зависимости от задачи
Анализирует данные в формате дат и текста на языке R
Строит модели деревьев решений
Интерпретирует и визуализирует результаты моделей

Содержание учебной дисциплины

Воспроизводимые исследования
Область науки о данных. Воспроизводимые исследования. Создание отчетов и язык разметки RMarkdown. Введение в язык программирования R
Статистическое обучение. Введение в клиентскую аналитику
Вычислительная статистика и статистическое обучение в бизнесе, социологии, экономике. Деревья решений. Тестирование статистических гипотез. Клиентская аналитика
Разведывательный анализ данных
Визуализация и агрегация данных. Работа с датами и текстовыми данными

Элементы контроля

контрольная работа №1
контрольная работа №2
домашнее задание №1
Домашнее задание представляет собой программный проект по анализу данных. Данные для задания и вопросы, на которые нужно дать ответы, предоставляются преподавателем. Работа выполняется индивидуально. Проект должен быть написан с ориентацией на “заказчика”, то есть понятен потенциальному клиенту, содержать все необходимые пояснения и интерпретации. Результаты представляются в виде 1) дашборда с таблицами / графиками по предоставленному преподавателем шаблону, и 2) отчета-пояснения, какие выводы должен сделать пользователь и какие элементы фокусируют внимание именно на этих выводах.
домашнее задание №2
Домашнее задание представляет собой программный проект по анализу данных. Данные для задания предоставляются преподавателем. Работа выполняется индивидуально. Проект должен быть написан с ориентацией на “заказчика”, то есть понятен потенциальному клиенту, содержать все необходимые пояснения и интерпретации. Результаты представляются в виде одного из двух вариантов по выбору преподавателя: 1) полноценный отчет о результатах анализа, 2) дашборд с таблицами / графиками, показывающими результаты предсказания в определенных группах и результаты сравнения групп с помощью проверки гипотез, и отчет-пояснение к дашборду.
упражнения

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.15 * домашнее задание №1 + 0.15 * домашнее задание №2 + 0.2 * контрольная работа №1 + 0.2 * контрольная работа №2 + 0.3 * упражнения

Программа дисциплины