Магистратура
2021/2022![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)
Глубинный анализ данных и текстов на базе IBM SPSS Modeler
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс по выбору (Бизнес-информатика: цифровое предприятие и управление информационными системами)
Направление:
38.04.05. Бизнес-информатика
Кто читает:
Департамент бизнес-информатики
Где читается:
Высшая школа бизнеса
Когда читается:
2-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Бекларян Армен Левонович
Прогр. обучения:
Бизнес-информатика
Язык:
русский
Кредиты:
6
Контактные часы:
48
Программа дисциплины
Аннотация
В рамках дисциплины "Глубинный анализ данных и текстов" студенты имеют возможность ознакомится с теоретическими и методологическими основами в области систем анализа неструктурированной информации, а также с практическими навыками, необходимыми для внедрения и использования такого сорта систем. Среди рассматриваемых методов анализа, особое внимание уделяется контент анализу, деревьям решений, кластерному анализу, обучение с подкреплению и нейронным сетям.
Цель освоения дисциплины
- Формирование у студентов комплекса теоретических знаний и практических навыков аналитики текстовых данных и углубленного анализа многомерных данных
Планируемые результаты обучения
- Использует базовые метрики качества в задачах классификации, регрессии и кластеризации
- Применяет методы классификации, регрессии и кластеризации для анализа данных
- Адекватно оценивает корректность использования методов анализа данных, применяемых при решении исследовательских задач
- Адекватно оценивает корректность использования статистических методов, применяемых при формулировке и решении задач, владеет базовыми навыками анализа данных
- Демонстрирует уверенное владение статистическим анализом данных с использованием Python и Jupyter
- Воспроизводит основные определения науки о данных, и оценивает направления применения анализа больших данных в различных областях
- Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении
- Применяет основные подходы к построению моделей обучения с подкреплением
- Оценивает специфику применения рекомендательных систем, соревновательных нейронных сетей и автокодировщиков
- Воспроизводит базовые принципы применения нейронных сетей
- Применяет сверточные и рекуррентные нейронные сети для анализа текста
Содержание учебной дисциплины
- Что такое большие данные и аналитика данных?
- Введение в машинное обучение
- Практика работы с данными на основе задачи классификации, регрессии и кластеризации
- Ансамбли моделей в машинном обучении
Элементы контроля
- Контрольная работаКонтрольная работа формируется на основе типовых заданий, решаемых в рамках семинарских занятий
- Контрольное домашнее заданиеВыполнение домашнего задания предусматривает построение моделей анализа информации и текстов, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа в системе IBM SPSS Modeler
- Аудиторная работа
- ЭкзаменЭкзаменационная работа состоит из двух частей: тест и практическая часть. Тест представляет из себя вопросы закрытого типа, практическая часть – проведение анализа данных заданного типа, на основе видов молей, пройденных после проведения контрольной работы. Платформа проведения: Экзамен проводится на платформах MS Teams и Canvas LMS. К экзамену необходимо подключиться за 15 минут до начала. Компьютер студента должен удовлетворять требованиям: https://docs.microsoft.com/ru-ru/microsoftteams/hardware-requirements-for-the-teams-app Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформах MS Teams и Canvas LMS; Войти на платформы MS Teams и Canvas LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить работоспособность микрофона, колонок или наушников для передачи звука и видеокамеры, скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.); Отключить в диспетчере задач компьютера иные приложения, кроме приложения MS Teams или браузера, в котором будет выполняться вход на платформы MS Teams и Canvas LMS, а также необходимого окружения IBM SPSS Modeler. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Выключать видеокамеру; Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания (выходить за угол обзора камеры); Отводить взгляд от экрана компьютера, рабочего стола; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Включать микрофон во время экзамена для ответов на вопросы преподавателя; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. Нарушения связи: Кратковременным нарушением связи во время экзамена считается потеря сетевой связи студента с платформами MS Teams и Canvas LMS не более 1 минуты. Долговременным нарушением связи во время экзамена считается потеря сетевой связи студента с платформами MS Teams и Canvas LMS более 1 минуты. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи экзамена. В случае долговременного нарушения связи с платформами MS Teams и Canvas LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена.
Промежуточная аттестация
- 2021/2022 учебный год 2 модуль0.296 * Контрольная работа + 0.294 * Контрольное домашнее задание + 0.1 * Аудиторная работа + 0.31 * Экзамен
Список литературы
Рекомендуемая основная литература
- Haroon, D. (2017). Python Machine Learning Case Studies : Five Case Studies for the Data Scientist. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1623520
- Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python : A Problem-Solver’s Guide to Building Real-World Intelligent Systems. [United States]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1667293
- Yang, X.-S. (2019). Introduction to Algorithms for Data Mining and Machine Learning. Academic Press.
- Кудрявцев В. Б., Гасанов Э. Э., Подколзин А. С. - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 2-е изд., испр. и доп. Учебник и практикум для вузов - М.:Издательство Юрайт - 2021 - 165с. - ISBN: 978-5-534-07779-7 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/intellektualnye-sistemy-471014
- Маккинни, У. Python и анализ данных / У. Маккинни ; перевод с английского А. А. Слинкина. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2020. — 540 с. — ISBN 978-5-97060-590-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131721 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Плас Дж. Вандер. Python для сложных задач: наука о данных и машинное обучение. - Санкт-Петербург : Питер, 2018. - 576 с. - ISBN 978-5-496-03068-7. - URL: https://ibooks.ru/bookshelf/356721/reading (дата обращения: 12.10.2020). - Текст: электронный.
- Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 358 с. — ISBN 978-5-97060-506-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/105836 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
Рекомендуемая дополнительная литература
- Груздев, А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес : руководство / А. В. Груздев. — Москва : ДМК Пресс, 2018. — 642 с. — ISBN 978-5-97060-539-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/123700 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Мхитарян В. С., Агапова Т. Н., Ильенкова С. Д., Суринов А. Е. ; Под ред. Мхитаряна В.С. - СТАТИСТИКА. В 2 Ч. ЧАСТЬ 2 2-е изд., пер. и доп. Учебник и практикум для вузов - М.:Издательство Юрайт - 2021 - 270с. - ISBN: 978-5-534-09357-5 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/statistika-v-2-ch-chast-2-475171
- Под ред. Мхитаряна В.С. - СТАТИСТИКА. В 2 Ч. ЧАСТЬ 1 2-е изд., пер. и доп. Учебник и практикум для вузов - М.:Издательство Юрайт - 2021 - 249с. - ISBN: 978-5-534-09353-7 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/statistika-v-2-ch-chast-1-475170
- Подкорытова О. А., Соколов М. В. - АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 2-е изд., пер. и доп. Учебное пособие для вузов - М.:Издательство Юрайт - 2021 - 267с. - ISBN: 978-5-534-02556-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/analiz-vremennyh-ryadov-469322
- Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Станкевич Л. А. - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ. Учебник и практикум для вузов - М.:Издательство Юрайт - 2021 - 397с. - ISBN: 978-5-534-02126-4 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/intellektualnye-sistemy-i-tehnologii-469517