Классификация статистических данных

2023/2024

Статус: Майнор

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Когда читается: 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Антонян Анна Артуровна, Арефьева Валерия Александровна, Червякова Анна Александровна

Язык: русский

Кредиты: 5

Контактные часы: 76

Полная версия программы учебной дисциплины

Аннотация

Окружающие нас объекты и явления (например, финансовая деятельность банков или предприятий, доходы респондентов, уровень жизни в странах мира или в отдельно выбранной стране, решение о покупке товаров и т.п.) характеризуются разнообразными признаками и могут быть представлены как точки в многомерном пространстве. В этом пространстве они могут образовывать скопления (группы, кластеры), которые можно изучать в отдельности, выделив специфические свойства и особенности каждой группы. В курсе Вы изучите различные подходы и методы к кластеризации и классификации данных с использованием, как традиционного инструментария, так и современных методов Data Culture, Machine Learning, основы фильтрации изображений. Важной особенностью курса является широкое использование наглядных примеров и применение широкого арсенала современных средств обработки статистической информации (ППП SPSS, среды R, Python), освобождающих исследователя от вычислительной рутины и позволяющих превратить статистическое исследование в увлекательное занятие.

Цель освоения дисциплины

Целью освоения дисциплины Сравнительный анализ и классификация данных» является получение студентами основ понимания фундаментальных статистических принципов, роли многомерного статистического инструментария в фундаментальных и прикладных исследованиях. Особенностью курса является наличие большого числа примеров из реальной практики, наглядно демонстрирующих разнообразие областей применения многомерного статистического инструментария, его значимости для различных сфер деятельности. При этом обучение студентов основным графическим и табличным представлениям данных, основам их статистической обработки позволяет сделать результаты расчетов более наглядными и доступными для понимания и интерпретации. Знакомство с возможностями сбора и обработки данных будет опираться как на универсальные информационные технологии, так и на специализированные пакеты прикладных программ (ППП SPSS) и статистические среды (Python, R), а также сопровождаться большим количеством практических примеров и иллюстраций. За счет широкого применения компьютерных технологий в курсе значительное внимание уделяется интерпретации данных и статистических характеристик, получаемых по результатам расчетов.

Планируемые результаты обучения

Использует дскриминантный анализ для кластеризации новых объектов. Строит дискриминантные функции, интерпретирует межгрупповые различия. Выбирает показатели, обладающие наибольшей дискриминирующей силой
Использует итерационные алгоритмы для решения задач кластеризации объектов
Проводит класстеризацию многомерных наблюдений с использованием иерархических и итеративных алгоритмов кластерного анализа. Строит и интерпретирует дендрограммы.
Проводит кластеризацию объектов с использованием деревьев решений.
Собирает информацию из разных источников, Проводит предварительный анализ данных, Изучает связи между переменными в многомерном пространстве с использованием современных программных продуктов

Содержание учебной дисциплины

Предмет, содержание, задачи курса. Предварительный анализ данных. Основы корреляционного анализа
Кластеризация многомерных наблюдений. Кластерный анализ
Кластеризация многомерных наблюдений с обучением. Основы дискриминантного анализа
Деревья решений, случайные леса, нейросети

Элементы контроля

Текущая работа
Выполнение текущих заданий
Компьютерная работа 1
Расчетное задание
Компьютерная работа 2
Расчетное задание
Самостоятельная работа
Самостоятельная работа
Контрольная работа
Контрольная работа

Промежуточная аттестация

2023/2024 учебный год 4 модуль
0.2 * Компьютерная работа 1 + 0.2 * Компьютерная работа 2 + 0.25 * Контрольная работа + 0.1 * Самостоятельная работа + 0.15 * Текущая работа + 0.1 * Текущая работа

Программа дисциплины