Предиктивные модели и прикладная аналитика

2023/2024

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

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Попов Александр Денисович, Сироткин Александр Владимирович, Суворова Алёна Владимировна, Черных Екатерина Юрьевна

Язык: русский

Кредиты: 5

Контактные часы: 56

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

В этом курсе студенты закрепят полученные ранее навыки и тесно познакомятся с ядром прикладной аналитики данных —— моделями машинного обучения, а также технологиями, необходимыми для решения прикладных задач. Курс разделен на два трека, выбираемые в зависимости от предпочтений, сформированных в течение первого года. Первый трек сфокусирован на задачах прикладной предиктивной аналитики (клиентской, UX, социальной и др.), а также основах баз данных и языка SQL. Второй трек ориентирован на более глубокое знакомство с методами продвинутого анализа сетей и текстов, которые применяются в цифровых социальных и гуманитарных науках. При этом в обоих треках студенты познакомятся с ключевыми понятиями и алгоритмами машинного обучения, получат опыт построения собственных моделей для решения конкретных задач в своей области.

Цель освоения дисциплины

Целями освоения дисциплины являются освоение основных понятий и методов машинного обучения, развитие навыков программирования для решения задач предсказания на языке R, а также углубление навыков работы с данными в специфических областях, включая клиентскую аналитику и визуализацию.

Планируемые результаты обучения

визуализирует результаты анализа специализированных данных
знает основные понятия машинного обучения
интерпретирует результаты моделей машинного обучения
оценивает качество моделей машинного обучения
преобразовывает описание задачи в формулировку в терминах задачи построения модели регрессии или классификации
разрабатывает модели для решения задач клиентской аналитики
разрабатывает модели на языке R для решения задач предсказания
решает задачи кластеризации на языке R

Содержание учебной дисциплины

Основные понятия машинного обучения
Задачи классификации и регрессии
Ансамбли моделей и интерпретация
Обучение без учителя
Интеллектуальный анализ данных

Элементы контроля

Упражнения: онлайн-курс
Для закрепления навыков по работе с инструментарием студентам предлагается выполнить упражнения из онлайн-курса. Прохождение онлайн-курса является обязательной составляющей курса. Выбирая из предложенных преподавателями курсов или обсуждая с преподавателями найденные самостоятельно, студент сам выбирает уровень сложности курса. Если длительность курса превышает количество недель, имеющихся для его прохождения, по согласованию с преподавателем его отдельные модули могут быть пропущены студентом.
Упражнения: семинары
Для закрепления навыков по работе с инструментарием студентам предлагается выполнить упражнения по работе на языке R по темам семинара. Источник упражнений определяется преподавателем, публикуется на платформе Stepik или в LMS
Контрольная работа
Контрольная работа представляет собой письменную работу в тестовой форме в LMS. Тест содержит как открытые, так и закрытые вопросы по пройденным материалам. Тест подразумевает ответы на вопросы по предоставленным данными в RStudio. Тест может содержать от 10 до 20 вопросов, покрывающих рассмотренные на занятиях темы
Бонусные задания
Повышение оценки возможно за счет выполнения бонусных заданий, в частности, создания тьюториалов по дополнительным темам анализа данных. Тьюториалы создаются в виде отдельного урока по заданной преподавателями теме на платформе для онлайн-курсов Stepik.org.
Проект
Форма итогового программного проекта отличается для разных треков. Данные для задания предоставляются преподавателем. Работа выполняется индивидуально. Проект должен содержать все необходимые пояснения и интерпретации. Трек 1. Проект предполагает построение дэшборда и отчета с пояснениями и обоснованием выбора элементов дэшборда для задачи клиентской аналитики и предсказания оттока клиентов. Итоговый отчет содержит следующие разделы: 1) формулировка решаемой задачи, 2) описание методов решения поставленной задачи, 3) полученные результаты и выводы, 4) обоснование включенных в дэшборд элементов (как они помогают представить полученные результаты). Трек 2. Проект предполагает составление аналитического отчета по выбранной тематике (в контексте сетей и текстов) и оформление результатов работы в формате блог-поста с визуализациями. Итоговый отчет содержит следующие разделы: 1) описание поставленной задачи, 2) предварительное исследование данных, 3) описание использованных методов, 4) описание полученных результатов.

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.1 * Бонусные задания + 0.25 * Контрольная работа + 0.4 * Проект + 0.1 * Упражнения: онлайн-курс + 0.15 * Упражнения: семинары

Список литературы

Авторы

Сироткин Александр Владимирович
Суворова Алёна Владимировна

Программа дисциплины