• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2022/2023

Проектный семинар "Data science и обработка данных в маркетинге"

Направление: 38.04.02. Менеджмент
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
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

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

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

Содержание учебной дисциплины

  • Знакомство с Python
  • Методы описательной статистики
  • Визуализация данных с помощью Python
  • Моделирование и прогнозирование бизнес процессов
Элементы контроля

Элементы контроля

  • неблокирующий Практическая работа 1
    Проверяются возможности студентов применять на практике изученные методы анализа данных, обосновывать их выбор и презентовать материал.
  • блокирует часть оценки/расчета Практическая работа 2
  • неблокирующий Активность на семинарах
    Учитываются ответы на семинарах
  • блокирует часть оценки/расчета Контрольная работа
  • блокирует часть оценки/расчета Опрос
  • блокирует часть оценки/расчета Онлайн-курс "Статистика для анализа данных"
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.1 * 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

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

Авторы

  • Иванова Инга Анатольевна