Магистратура
2022/2023![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Проектный семинар "Data science и обработка данных в маркетинге"
Статус:
Курс обязательный (Маркетинг: цифровые технологии и маркетинговые коммуникации)
Направление:
38.04.02. Менеджмент
Кто читает:
Департамент маркетинга
Где читается:
Высшая школа бизнеса
Когда читается:
2-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Иванова Инга Анатольевна
Прогр. обучения:
Маркетинг: цифровые технологии и маркетинговые коммуникации
Язык:
русский
Кредиты:
6
Контактные часы:
48
Программа дисциплины
Аннотация
"Data Science и обработка данных в маркетинге" – практико-ориентированная дисциплина, которая дает представление о методах структурирования, очистки и обработки маркетинговых данных, с целью получения ключевой информации. Дисциплина объединяет методы обработки данных, статистические методы исследования, методы интеллектуального анализа данных, формирует навыки аналитического мышления и принятия взвешенных решений. В рамках курса рассматриваются основы интерактивной работы с Python в блокноте Jupiter Notebook, дается представление об основном синтаксисе языка программирования, рассматриваются базовые аналитические пакеты (например: pandas, numpy, matplotlib, seaborn и др.), а также некоторые дополнительные (например: pywhatkit, colorama, sklearn и др.). Уделяется особое внимание базовым и продвинутым способам визуализации полученных данных. Целевой аудиторией являются студенты магистерской программы «Маркетинг: цифровые технологии и маркетинговые коммуникации». В результате освоения данного курса студенты получат теоретические знания и практические навыки, которые позволят им успешно преобразовывать собранные данные в полезную информацию. Владение инструментарием Python аналитики станет хорошим фундаментом будущей карьеры.
Цель освоения дисциплины
- Овладение основами программирования на языке Python в интерактивной среде Jupiter Notebook, освоение основных модулей и библиотек для анализа и обработки данных, выработка базовых навыков структурирования данных и визуализации результатов, получение новых компетенций в области анализа данных.
Планируемые результаты обучения
- - Освоить базовый синтаксис языка программирования Python
- - Освоить основные методы загрузки и очистки данных
- - Научиться правильно применять основные методы обработки и анализа данных
- - Овладеть основными алгоритмами машинного обучения и навыками применения специализированных пакетов для решения прикладных задач
- - Быть способным правильно выбрать способ визуализации в зависимости от задачи
- - Научиться использовать эконометрические методы анализа данных для обоснования решений и прогнозирования траектории дальнейшего развития
- - Научиться правильно интерпретировать результаты машинного анализа данных
Содержание учебной дисциплины
- Знакомство с Python
- Методы описательной статистики
- Визуализация данных с помощью Python
- Моделирование и прогнозирование бизнес процессов
Элементы контроля
- Практическая работа 1Проверяются возможности студентов применять на практике изученные методы анализа данных, обосновывать их выбор и презентовать материал.
- Практическая работа 2
- Активность на семинарахУчитываются ответы на семинарах
- Контрольная работа
- Опрос
- Онлайн-курс "Статистика для анализа данных"
Промежуточная аттестация
- 2022/2023 учебный год 2 модуль0.1 * Практическая работа 1 + 0.15 * Практическая работа 2 + 0.05 * Активность на семинарах + 0.3 * Контрольная работа + 0.1 * Онлайн-курс "Статистика для анализа данных" + 0.25 * Опрос
Список литературы
Рекомендуемая основная литература
- Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
- Python и анализ данных, Маккинли, У., 2015
- Vaingast, S. (2014). Beginning Python Visualization : Crafting Visual Transformation Scripts (Vol. Second edition). Berkeley, CA: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=955063
- Автоматизация рутинных задач с помощью Python : практическое руководство для начинающих, Свейгарт, Э., 2018
- Изучаем Python, Лутц, М., 2014
- Криволапов, С. Я., Статистические вычисления на платформе Jupyter Notebook с использованием Python : учебник / С. Я. Криволапов. — Москва : КноРус, 2021. — 431 с. — ISBN 978-5-406-09106-7. — URL: https://book.ru/book/942479 (дата обращения: 25.08.2023). — Текст : электронный.
- Легкий способ выучить Python 3, Шоу, З. А., 2019
- Мастицкий, С. Э. Визуализация данных с помощью ggplot2 / С. Э. Мастицкий. — Москва : ДМК Пресс, 2017. — 222 с. — ISBN 978-5-97060-470-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107895 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Мэтиз Э. - Изучаем Python. Программирование игр, визуализация данных, веб-приложения. 2-е изд. - 978-5-4461-0479-6 - Санкт-Петербург: Питер - 2017 - 355480 - https://ibooks.ru/bookshelf/355480/reading - iBOOKS
Рекомендуемая дополнительная литература
- Dr. Ossama Embarak. (2018). Data Analysis and Visualization Using Python : Analyze Data to Create Visualizations for BI Systems. Apress.
- Keith McNulty. (2021). Handbook of Regression Modeling in People Analytics : With Examples in R and Python. Chapman and Hall/CRC.
- Python 3, Прохоренок, Н. А., 2016
- Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
- Schneider, D. I. (2016). An Introduction to Programming Using Python, Global Edition: Vol. Global edition. Pearson.
- Анализ поведенческих данных на R и Python : как улучшить бизнес-результаты на основе данных клиентов, Бюиссон, Ф., 2022