Глубинный анализ данных и текстов

2022/2023

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

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Бекларян Армен Левонович

Язык: русский

Кредиты: 6

Контактные часы: 48

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

В рамках дисциплины "Глубинный анализ данных и текстов" студенты имеют возможность ознакомится с теоретическими и методологическими основами в области систем анализа неструктурированной информации, а также с практическими навыками, необходимыми для внедрения и использования такого сорта систем. Среди рассматриваемых методов анализа, особое внимание уделяется контент анализу, деревьям решений, кластерному анализу, обучение с подкреплению и нейронным сетям.

Цель освоения дисциплины

Формирование у студентов комплекса теоретических знаний и практических навыков аналитики текстовых данных и углубленного анализа многомерных данных

Планируемые результаты обучения

Использует базовые метрики качества в задачах классификации, регрессии и кластеризации
Применяет методы классификации, регрессии и кластеризации для анализа данных
Адекватно оценивает корректность использования методов анализа данных, применяемых при решении исследовательских задач
Адекватно оценивает корректность использования статистических методов, применяемых при формулировке и решении задач, владеет базовыми навыками анализа данных
Демонстрирует уверенное владение статистическим анализом данных с использованием Python и Jupyter
Воспроизводит основные определения науки о данных, и оценивает направления применения анализа больших данных в различных областях
Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении
Применяет основные подходы к построению моделей обучения с подкреплением
Оценивает специфику применения рекомендательных систем, соревновательных нейронных сетей и автокодировщиков
Воспроизводит базовые принципы применения нейронных сетей
Применяет сверточные и рекуррентные нейронные сети для анализа текста

Содержание учебной дисциплины

Что такое большие данные и аналитика данных?
Введение в машинное обучение
Практика работы с данными на основе задачи классификации, регрессии и кластеризации
Ансамбли моделей в машинном обучении
Обучение с подкреплением
Нейронные сети

Элементы контроля

Контрольная работа
Контрольная работа формируется на основе типовых заданий, решаемых в рамках семинарских занятий
Контрольное домашнее задание
Выполнение домашнего задания предусматривает построение моделей анализа информации и текстов, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа
Аудиторная работа
Экзамен
Экзаменационная работа состоит из двух частей: тест и практическая часть. Тест представляет из себя вопросы закрытого типа, практическая часть – проведение анализа данных заданного типа, на основе видов молей, пройденных после проведения контрольной работы. Платформа проведения: Экзамен проводится на платформах Webinar и Canvas LMS. К экзамену необходимо подключиться за 15 минут до начала. Компьютер студента должен удовлетворять требованиям платформ. Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформах Webinar и Canvas LMS; Войти на платформы Webinar и Canvas LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить работоспособность микрофона, колонок или наушников для передачи звука и видеокамеры, скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.); Отключить в диспетчере задач компьютера иные приложения, кроме приложения Webinar или браузера, в котором будет выполняться вход на платформы Webinar и Canvas LMS, а также необходимого окружения Python. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Выключать видеокамеру; Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания (выходить за угол обзора камеры); Отводить взгляд от экрана компьютера, рабочего стола; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Включать микрофон во время экзамена для ответов на вопросы преподавателя; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. Нарушения связи: Кратковременным нарушением связи во время экзамена считается потеря сетевой связи студента с платформами Webinar и Canvas LMS не более 1 минуты. Долговременным нарушением связи во время экзамена считается потеря сетевой связи студента с платформами Webinar и Canvas LMS более 1 минуты. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи экзамена. В случае долговременного нарушения связи с платформами Webinar и Canvas LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена.

Промежуточная аттестация

2022/2023 учебный год 2 модуль
0.296 * Контрольная работа + 0.294 * Контрольное домашнее задание + 0.1 * Аудиторная работа + 0.31 * Экзамен

Список литературы

Авторы

Бекларян Армен Левонович

Программа дисциплины