Основы анализа пространственных данных

Магистратура 2024/2025

Статус: Курс обязательный (Пространственные данные и прикладная геоаналитика)

Направление: 05.04.02. География

Кто читает: Факультет географии и геоинформационных технологий

Где читается: Факультет географии и геоинформационных технологий

Когда читается: 1-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Батов Алексей Владимирович, Деркачева Анна Андреевна

Прогр. обучения: Пространственные данные и прикладная геоаналитика

Язык: русский

Кредиты: 6

Полная версия программы учебной дисциплины

Аннотация

Курс «Основы анализа пространственных данных» входит в группу обязательных предметов специализации «Пространственные данные и прикладная геоаналитика». Курс направлен на то, чтобы научить студентов выбирать и технически применять (на Python) базовые методы работы с данными (визуализации, разведочного анализа, очистки и подготовки, базовой статистики) с учетом ряда специфических эффектов, характерных для пространственно-временных геоданных. Также уделяется внимание специфике работы с различными способами хранения геоданных. Успешное освоение дисциплины позволит грамотно встраивать этап подготовки и первичного анализа данных в решение исследовательских или прикладных задач в области природных и социально-экономических систем. Курс закладывает базовые знания для курсов «Машинное обучение в пространственных задачах» и «Математическое моделирование в пространственных задачах», являющихся обязательными в специализации «Пространственные данные и прикладная геоаналитика».

Цель освоения дисциплины

Получить теоретические знания и практические навыки их реализации в Python в области ряда базовых этапов подготовки данных, их визуализации и разведочного анализа с учетом специфики пространственных данных.

Планируемые результаты обучения

Умеет автоматизировать однотипные операции над большими объемами данных, включая их получение из внешних источников или их создание.
Владеет на базовом уровне навыками программирования на Python для работы с табличными данными, для работы с векторными и растровыми геоданными, для визуализации данных и результатов анализа.
Знает типы хранения данных, правильно выбирает для заданной ситуации, реализует конвертацию в нужный тип; учитывает в своей работе вопросы затрат вычислительных ресурсов и памяти
Умеет выстроить дизайн исследования, знает и правильно выбирает методы подготовки, анализа и визуализации результатов согласно имеющимся данным и задаче: - Знает способы проверки качества данных, методы исправления проблем - Знает различные виды графиков, правильно выбирает для каждого этапа исследования (контроль качества / анализ / визуализация результатов), компанует сложные графики
Знает базовые методы анализа из групп: (i) классических статистики, дисперсионного и регрессионного анализа, (ii) специфических методов для пространственных данных, (iii) специфических методов для временных рядов.

Содержание учебной дисциплины

Введение в анализ данных.
Манипуляции и визуализация.
Статистические методы.
Специфические методы работы с пространственными данными.

Элементы контроля

Практическая работа “Подготовка данных и графики”
Практическая работа проводится в конце Темы “Манипуляции и визуализация” и проверяет умение проводить предобработку данных (табличных, векторных, растровых) и строить графики. Задание выполняется в течении семинара оффлайн и сдается в виде Jupyter-блокнота, содержащего код, результаты его работы и краткую текстовую аналитическую записку согласно сформулированному заданию. Работа выполняется на основе данных, предоставленных преподавателем. Разрешено пользоваться литературой, включая собственные записи и интернет-источники; запрещено пользоваться генеративными нейронными сетями.
Проектная работа “Исследование полного цикла”
Работа представляет собой выполнение и презентацию творческого проекта, в котором должно быть продемонстрировано умение проводить полный цикл использования данных в исследовании (прикладном или научном) от постановки задачи и выбора методов до оформления и представления результатов. Проект выполняется в течении модуля, индивидуально, в часы самостоятельной работы; для получения оценки результаты презентуются на очной защите (публичное выступление перед учебной группой с ответами на вопросы) и передаются преподавателю в виде Jupyter-блокнота, содержащего код, результаты его работы и краткие текстовые пояснения о выполненных этапах работы с обоснованием выборов. Для выполнения проекта могут использоваться любые данные, включая материалы семинарских занятий или собственные данные студента; в случае переиспользования данных из ранее выполненных проектов (курсовых, рабочих и др.), должна быть продемонстрирована новизна результатов, полученная с помощью рассмотренных в дисциплине теоретических и практических тем. Обязательными разделами работы являются: подготовка и/или преобразование данных, визуализация (не менее 2 графиков различного вида), применение методов статистического анализа (не менее одного), техническая интерпретация данных (в виде краткого пояснения), тематическая интерпретация графиков (в виде краткого пояснения). Разрешено пользоваться литературой, включая собственные записи и интернет-источники; запрещено пользоваться генеративными нейронными сетями.
Работа на семинарах
По решению преподавателя могут быть поощрены регулярная работа на семинарских занятиях и/или нахождение нестандартных, творческих решений заданий и/или выдающийся личный прогресс в рамках семинарских занятий.

Промежуточная аттестация

2024/2025 2nd module
0.3 * Практическая работа “Подготовка данных и графики” + 0.6 * Проектная работа “Исследование полного цикла” + 0.1 * Работа на семинарах

Список литературы

Авторы

Деркачева Анна Андреевна

Программа дисциплины