2023/2024
Наука о данных для бизнеса
Статус:
Маго-лего
Кто читает:
Департамент бизнес-информатики
Когда читается:
2 модуль
Онлайн-часы:
20
Охват аудитории:
для своего кампуса
Преподаватели:
Заходякин Глеб Викторович
Язык:
русский
Кредиты:
3
Контактные часы:
24
Программа дисциплины
Аннотация
Формирование у слушателей системного взгляда на возможности и ограничения машинного обучения и практического опыта использования алгоритмов анализа данных для решения бизнес-задач в различных экономических сферах. Задачи: • Сформировать теоретические и методологические основы дата-аналитического мышления, понимание основных методов и моделей анализа данных; • Получение практических навыков использования алгоритмов анализа данных, выбор оптимальных методов и моделей для решения широкого спектра задач; • Получение навыка работы с базовыми инструментами Data Science для применения на практике; • Формирование навыков работы с дата-исследователями и управления проектами в области data science. Дисциплина является прикладной и предполагает работу с бизнес-данными на основе кейсов с использованием low-code платформ для решения задач описательной, прогнозной и предписывающей аналитики.
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 в различных отраслях экономики.
Планируемые результаты обучения
- Понимание специфики работы с дата-исследователями и управления проектами в области Data Science.
- Применение на практике базовых инструментов дата-аналитика.
- Умение находить решение бизнес-задач с использованием методов и моделей анализа данных .
- Формирование у студента дата-аналитического мышления, понимания необходимости использования Data Science для повышения эффективности бизнеса.
Содержание учебной дисциплины
- Введение в науку о данных.
- Решение бизнес-проблем с помощью Data Science: базовые методики и модели.
- Инструменты для анализа и обработки данных.
- Управление Data Science проектами.
Элементы контроля
- Домашнее задание (классификация)Домашние задания предназначены для отработки методов анализа данных, построения и интерпретации предиктивных моделей. Задание предполагает работу в группах. По результатам выполнения задания группа предоставляет сценарии обработки данных и отчет с описанием и интерпретацией подхода и результатов. Группы должны работать над заданием независимо.
- Домашнее задание (регрессия)Домашние задания предназначены для отработки методов анализа данных, построения и интерпретации предиктивных моделей. Задание предполагает работу в группах. По результатам выполнения задания группа предоставляет сценарии обработки данных и отчет с описанием и интерпретацией подхода и результатов. Группы должны работать над заданием независимо.
- АктивностьАктивность на семинарах предполагает: - решение задач, - участие в дискуссиях, - выступление с докладом, - вопросы докладчикам. За модуль необходимо набрать 6 активностей, чтобы получить максимальную оценку
- ЭкзаменЭкзамен содержит вопросы по рассмотренным в курсе темам.
Промежуточная аттестация
- 2023/2024 учебный год 2 модуль0.2 * Активность + 0.2 * Домашнее задание (классификация) + 0.2 * Домашнее задание (регрессия) + 0.4 * Экзамен
Список литературы
Рекомендуемая основная литература
- Computer age statistical inference : algorithms, evidence, and data science, Efron, B., 2017
- Data analysis using SAS, Peng, C. Y. J., 2009
- Data Science : наука о данных с нуля, Грас, Дж., 2018
- Data science for business : what you need to know about data mining and data-analytic thinking, Provost, F., 2013
- Methods for Data science. Vol.1: Introductory applied mathematics, Godfrey, J., 2015
- Methods for Data science. Vol.2: Problems and solutions for volume 1, Godfrey, J., 2015
- Segmentation and lifetime value models : Using SAS, Malthouse, E. C., 2013
- Блистательный Agile : гибкое управление проектами с помощью Agile, Scrum и Kanban, Коул, Р., 2019
- Гибкое управление проектами и продуктами, Вольфсон, Б., 2017
- Практическая статистика для специалистов Data Science : 50 важнейших понятий: пер. с англ., Брюс, П., 2018
Рекомендуемая дополнительная литература
- Data analysis using SAS Enterprise Guide, Meyers, L. S., 2009
- Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
- R for data science : import, tidy, transform, visualize, and model data, Wickham, H., 2017