Programming for Urban Data Analysis. Advanced Level.

2024/2025

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered at:

Vysokovsky Graduate School of Urbanism

Course type:

Elective course

When:

5 year, 1, 2 module

Instructor

Kulchitsky, Yuri

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

Планируемые результаты обучения

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

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

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

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

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