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

Наука о данных для бизнеса

Статус: Маго-лего
Когда читается: 2 модуль
Онлайн-часы: 20
Охват аудитории: для своего кампуса
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

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

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

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

Элементы контроля

  • неблокирующий 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.
  • неблокирующий 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.
  • неблокирующий Активность
    Активность на семинарах предполагает: - решение задач, - участие в дискуссиях, - выступление с докладом, - вопросы докладчикам. За модуль необходимо набрать 6 активностей, чтобы получить максимальную оценку
  • неблокирующий Экзамен
    Экзамен содержит вопросы по рассмотренным в курсе темам.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.2 * Активность + 0.2 * Домашнее задание (классификация) + 0.2 * Домашнее задание (регрессия) + 0.4 * Экзамен
Список литературы

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

Авторы

  • Заходякин Глеб Викторович
  • Яковлева Наталия Вадимовна