Основы анализа данных

Магистратура 2022/2023

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

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Компьютерные системы и сети)

Направление: 09.04.01. Информатика и вычислительная техника

Кто читает: Департамент компьютерной инженерии

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 1-й курс, 1 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Поляков Константин Львович

Прогр. обучения: Компьютерные системы и сети

Язык: русский

Кредиты: 3

Контактные часы: 28

Полная версия программы учебной дисциплины

Аннотация

Курс «Основы анализа данных» ориентирован на студентов магистратуры, которые связывают свою будущую профессиональную деятельность с решением творческих задач в области проектированием и созданием программных и аппаратных инструментов необходимых для ИТ поддержки деятельности человека. Он посвящен изучению современных методов сбора и анализа количественных или качественных данных необходимых для решения широкого класса проблем, возникающих в ходе планирования и реализации хозяйственной деятельности, при организации аналитической поддержки принятия решений на различных уровнях управления, а также задач, возникающих в области управления техническими системами.

Цель освоения дисциплины

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов, обучающихся по магистерской программе "Информатика и вычислительная техника", изучающих дисциплину «Основы анализа данных».

Планируемые результаты обучения

Умеет анализировать качество данных, умеет обнаруживать статистические свойства данных.
Умеет оценивать параметры МЛР. Знает свойства полученных оценок.
Умеет специфицировать модель линейной регрессии (МЛР). Знает понятие «нелинейная внутренне линейная модель».
Умеет определять наличие нарушений основных предположений МЛР.
Умеет оценить значимость полученных оценок параметров МЛР. Умеет построить прогноз на основе оцененной модели.
Умеет проверять гипотезы из прикладной области с помощью построенной МЛР на основе проверки статистических гипотез.

Содержание учебной дисциплины

Предварительный анализ данных.
Модель линейной регрессии (МЛР).
Метод наименьших квадратов и линейная регрессия. Статистические свойства МНК оценки параметров МЛР.
Анализ значимости регрессоров. Прогнозирование.
Нарушение основных гипотез МЛР.
Проверка гипотез о свойствах объектов и явлений с помощью МЛР.

Элементы контроля

Экзамен
Экзамен проводится в конце второго модуля в виде письменного теста на 45 минут с вариантами ответов на вопросы. Каждый вопрос предполагает один или несколько правильных вариантов ответа. Результат оценивается по десятибалльной шкале.
Самостоятельная работа
Самостоятельная работа выполняется в рамках часов, отведенных для этого в программе курса. Задание для самостоятельной работы оформлено в виде «Шаблон отчета о самостоятельной работе» (Шаблона), содержащего как само задание, так и структуру отчета. Менять структуру отчета запрещается. Шаблон содержит описание минимальных требований к полученным результатам для получения оценки "хорошо" (6 баллов)
работа на семинарах
За работу на семинаре студент может получить от одного до пяти баллов. Один балл – студент только посетил семинар. В конце модуля баллы за работу на семинарах суммируются и переводятся в десятибалльную шкалу. Текущая оценка =10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе.

Промежуточная аттестация

2022/2023 учебный год 1 модуль
0.3 * работа на семинарах + 0.4 * Самостоятельная работа + 0.3 * Экзамен

Список литературы

Авторы

Поляков Константин Львович

Программа дисциплины