Современные технологии обработки статистических данных

Магистратура 2023/2024

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

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Стохастическое моделирование в экономике и финансах)

Направление: 38.04.01. Экономика

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Искяндяров Руслан Рушанович

Прогр. обучения: Стохастическое моделирование в экономике и финансах

Язык: русский

Кредиты: 6

Контактные часы: 56

Полная версия программы учебной дисциплины

Аннотация

Развитые навыки работы со статистическими данными входят в список самых востребованных качеств профессионалов в различных сферах: финансах, fintech отрасли, e-commerce, государственном управлении и т.д. Умение быстро и эффективно находить, обрабатывать и агрегировать данные, выявлять закономерности, строить модели и визуализировать информацию являются важнейшими составляющими успеха в современном мире.Данный курс будет посвящён рассмотрению основных этапов обработки информации: техниках препроцессинга и анализа данных, подходам к выявлению аномалий, этапам построения базовых моделей машинного обучения, обработке естественного языка, подходам к сбору и хранению данных.По итогам успешного освоения материалов курса вы:–изучите продвинутые техники агрегации и визуализации данных;–узнаете, как эффективно выявлять аномалии в данных;–научитесь строить базовые модели машинного обучения и обогащать данные дополнительной информацией;–освоите методы обработки естественного языка (NLP);–погрузитесь в подходы к сбору (парсингу) общедоступной информации из сети;–изучите подходы к промышленному хранению информации в структурированном виде.

Цель освоения дисциплины

Целью данного курса является получение студентами глубоких знаний в части современных методов обработки статистических данных, в том числе: • Освоение современных методов сбора, обработки, хранения и анализа информации • Углубление знаний языка программирования Python, необходимых для анализа данных • Получение навыков практического применения языка программирования Python в части анализа данных в различных сферах

Планируемые результаты обучения

Владение методами сегментации на основе анализа данных: кластеризация, анализ текстов, тематическое моделирование, LDA.
Знает основные подходы к преобразованию данных; умеет работать с массивами данных; имеет навыки загрузки, преобразования, очистки и визуализизации данных на языке Python
Знает основные типы объектов в Python
Владеет навыками парсинга данных и работы с базами данных в Python.
Знает основные типы данных языка Python
Применяет машинное обучение в задачах классификации
Уметь применять алгоритмы NLP для решения широкого спектра задач автоматической обработки текстов.
Владеть основами синтаксиса специальных библиотек для анализа данных: Numpy, Pandas, Matplotlib

Содержание учебной дисциплины

Основы Python для анализа данных (вводные лекции)
Продвинутые техники анализа данных, визуализация данных и представление результатов анализа данных
Предобработка данных, исследовательский анализ данных (EDA)
Глубокий препроцессинг данных
Статистический анализ данных, выявление аномалий
Машинное обучение в анализе данных
Регрессионный анализ
Кластеризация данных
Обработка естественного языка (NLP)
Веб-скрапинг и работа с программными интерфейсами приложений (API)
Работа с базами данных, сбор и хранение данных в структурированном виде
Презентация и защита проекта в рамках курсе

Элементы контроля

Активность на семинарах
Активность на семинарах (решение заданий, ответы на вопросы преподавателя)
Выступление с презентацией (в командах)
Короткое (10-15 минут) выступление на тему из перечня + подготовка 5 вопросов квиза для аудитории
Подготовка и защита проекта (в командах)
Самостоятельное исследование данных, постановка гипотез, проверки гипотез, проведение анализа данных, построение базовых моделей машинного обучения
Итоговый тест по темам курса
Итоговый онлайн тест по темам курса
Итоговый анализ данных
Самостоятельное исследование предложенных данных и ответы на вопросы по датасету

Промежуточная аттестация

2023/2024 2nd module
0.1 * Активность на семинарах + 0.1 * Активность на семинарах + 0.1 * Выступление с презентацией (в командах) + 0.1 * Выступление с презентацией (в командах) + 0.2 * Итоговый анализ данных + 0.1 * Итоговый тест по темам курса + 0.15 * Подготовка и защита проекта (в командах) + 0.15 * Подготовка и защита проекта (в командах)

Список литературы

Авторы

Панов Владимир Александрович
Рычкова Элла Николаевна
Искяндяров Руслан Рушанович

Программа дисциплины