• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2024/2025

Программирование в целях анализа городских данных. Продвинутый уровень.

Статус: Курс по выбору (Городское планирование)
Направление: 07.03.04. Градостроительство
Когда читается: 5-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 5
Контактные часы: 48

Программа дисциплины

Аннотация

Сегодня городской планировщик сталкивается с необходимостью оперировать большими массивами пространственных данных, уметь ставить исследовательские вопросы при работе с такими данными. Дополнительное измерение таких данных – время, усложняет анализ и требует особых навыков при анализе. Использование языка программирования R позволяет легко управлять большими массивами пространственно-временных данных, строить модели пространственной регрессии, применять различные алгоритмы машинного обучения.
Цель освоения дисциплины

Цель освоения дисциплины

  • Цель данной дисциплины по выбору – научить студента эффективно решать различные задачи обработки городских данных при помощи языка программирования R и сопутствующих инструментов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Получать городские пространственные данные из различных источников.
  • Уметь писать скрипты на языке R
Содержание учебной дисциплины

Содержание учебной дисциплины

  • 01. Введение в городские данные и smart cities
  • 02. Введение в скриптовые инструменты анализа данных и проведение воспроизводимых исследований
  • 03. Предварительные исследования данных (EDA) и базовые техники визуализации
  • 04. Виды и источники городских данных. Ключевые наборы открытых городских данных и базовые техники работы с ними
  • 05. Понятие tidy data. Очистка, и трансформация наборов данных, конвертация их типов. Алгоритмы эффективной обработки наборов данных
  • 06. Элементы математической статистики, базовые процедуры исследования наборов данных перед оценкой регрессионных и иных моделей. Методы оценки эффективности предсказательных моделей
  • 07. Продвинутые методы обработки пространственных данных. Пространственная статистика и пространственные модели
  • 08. Элементы протоколов коммуникации и релевантных форматов хранения и передачи данных. Работа с API, методы веб-скрейпинга, специфика собранных автоматическим образом данных. Продвинутые методы создания отчетов
Элементы контроля

Элементы контроля

  • неблокирующий Лабораторная 00 - тестовая
  • неблокирующий Лабораторная 03. Tidy Data
  • неблокирующий Лабораторная 01. Таблицы, базовый ГИС
  • неблокирующий Лабораторная 04. Регрессионные модели
  • неблокирующий Лабораторная 02. Научные графики, ggplot2
  • неблокирующий Обязательные курсы DataCamp
  • неблокирующий Курсы по выбору в системе DataCamp
  • неблокирующий Экзамен
  • неблокирующий Лабораторная 07. Парсинг данных из открытых источников
  • неблокирующий Лабораторная 05. Пространственные модели - 01
  • неблокирующий Лабораторная 06. Пространственные модели - 02
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 учебный год 2 модуль
    0.1 * Курсы по выбору в системе DataCamp + 0.001 * Лабораторная 00 - тестовая + 0.05 * Лабораторная 01. Таблицы, базовый ГИС + 0.05 * Лабораторная 02. Научные графики, ggplot2 + 0.1 * Лабораторная 03. Tidy Data + 0.08 * Лабораторная 04. Регрессионные модели + 0.05 * Лабораторная 05. Пространственные модели - 01 + 0.05 * Лабораторная 06. Пространственные модели - 02 + 0.08 * Лабораторная 07. Парсинг данных из открытых источников + 0.039 * Обязательные курсы DataCamp + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • R for data science : import, tidy, transform, visualize, and model data, Wickham, H., 2017
  • Wickham, H., & Grolemund, G. (2016). R for Data Science : Import, Tidy, Transform, Visualize, and Model Data (Vol. First edition). Sebastopol, CA: Reilly - O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1440131

Рекомендуемая дополнительная литература

  • Hierarchical modeling and analysis for spatial data, Banerjee, S., 2015

Авторы

  • Кульчицкий Юрий Викторович