Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.

  • A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2023/2024

Предиктивная аналитика логистики и цепей поставок

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: Курс по выбору (Стратегическое управление логистикой и цепями поставок в цифровой экономике)
Направление: 38.04.02. Менеджмент
Когда читается: 2-й курс, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для всех кампусов НИУ ВШЭ
Прогр. обучения: Стратегическое управление логистикой и цепями поставок в цифровой экономике
Язык: русский
Кредиты: 3
Контактные часы: 24

Программа дисциплины

Аннотация

Данная дисциплина по выбору знакомит студентов с основными концепциями предиктивного моделирования, а также с практическим применением предиктивных моделей в сфере логистики и управления цепями поставок. Слушатели научатся самостоятельно строить и интерпретировать предиктивные модели с использованием low-code аналитической платформы Orange.
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование у студентов системного взгляда на возможности и ограничения применения машинного обучения. Приобретение практического опыта использования алгоритмов анализа данных и базовых инструментов обработки данных для решения бизнес-задач
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
  • Знает требования к данным для построения моделей линейной регрессии
  • Знает основные методы решения задачи регрессии, способы оценки ошибки предсказания
  • Знает основные метрики качества для регрессии и классификации
  • Объясняет сущность задачи предиктивного моделирования в бизнесе, а также функциональные различия между описательной и расширенной бизнес-аналитикой.
  • Владеет основными подходами к оценке качества в задачах классификации и регрессии
  • Владеет понятием линейной регрессии; лассо-регрессии; гребневой регрессии. Знает ошибки модели в задачах регрессии. Владеет понятием метрик качества.
  • Оценивает параметры линейной модели регрессии
  • Оценивать качество модели множественной регрессии
  • студент может своими словами объяснить отличия задач описательной, предиктивной и прескриптивной аналитики
  • Умеет строить и интерпретировать классификаторы на основе модели логистической регрессии
  • Умеет оценивать качество классификторов с помощью метрик
  • Умеет строить классификаторы с помощью дерева решений
  • Умеет строить модели классификации и регрессии с использованием ансамблевых алгоритмов (случайный лес, бустинг)
  • Умеет интерпретировать вклад признаков в прогноз и оценивать важность признаков
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Основные понятия предиктивной аналитики для бизнеса
  • Задача регрессии
  • Задача классификации
  • Ансамбли моделей. Объяснимые модели машинного обучения.
Элементы контроля

Элементы контроля

  • неблокирующий Доклад
    В докладе необходимо проанализировать и представить бизнес-кейс применения предиктивного моделирования в логистике и управлении цепями поставок. Доклад - это групповое задание. На каждое занятие будет предложен тема доклада, можно выбрать тему и подготовить доклад в небольшой группе до 3 человек. Доклад необходимо сделать во время онлайн-занятия по курсу.
  • неблокирующий Активность
    Баллы за активность выставляются за: - Участие в дискуссиях по докладам (кейсам) использования предиктивной аналитики - не более одного балла за занятие - Решение задач во время занятия или в рамках самостоятельной работы. Для получения максимальной оценки необходимо набрать 10 баллов.
  • неблокирующий ДЗ
    Домашние задания предназначены для отработки и закрепления навыков моделирования и применения предиктивных моделей. Задание групповые, могут выполняться в командах до 3 человек или индивидуально.
  • блокирующий Проект
    В итоговом проекте необходимо решить выбранную студентом самостоятельно бизнес-задачу с применением предиктивного моделирования. Это групповая работа, в команде может участвовать до 3 человек.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.2 * Активность + 0.25 * ДЗ + 0.15 * Доклад + 0.4 * Проект
Список литературы

Список литературы

Рекомендуемая основная литература

  • Gareth James, Daniela Witten, Trevor Hastie, & Robert Tibshirani. (2013). An Introduction to Statistical Learning : With Applications in R. Springer.
  • James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
  • Бизнес - аналитика: от данных к знаниям (+CD) : учеб. пособие, Паклин, Н. Б., 2010

Рекомендуемая дополнительная литература

  • Лебедева, Т. В. Анализ временных рядов и бизнес-прогнозирование : учебно-методическое пособие / Т. В. Лебедева. — Оренбург : ОГУ, 2018. — 240 с. — ISBN 978-5-7410-2205-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/159738 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Предиктивное моделирование на практике - 978-5-4461-1039-1 - Кун Макс, Джонсон Кьелл - 2019 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/365287 - 365287 - iBOOKS

Авторы

  • Заходякин Глеб Викторович