Data Science for Business

2024/2025

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Department of Business Informatics

Course type:

Compulsory course

When:

1 year, 1 module

Instructor

Shevgunov, Timofey

Программа дисциплины

Аннотация

Формирование у слушателей системного взгляда на возможности и ограничения машинного обучения и практического опыта использования алгоритмов анализа данных для решения бизнес-задач в различных экономических сферах. Задачи: • Сформировать теоретические и методологические основы дата-аналитического мышления, понимание основных методов и моделей анализа данных; • Получение практических навыков использования алгоритмов анализа данных, выбор оптимальных методов и моделей для решения широкого спектра задач; • Получение навыка работы с базовыми инструментами Data Science для применения на практике; • Формирование навыков работы с дата-исследователями и управления проектами в области data science. Дисциплина является прикладной и предполагает работу с бизнес-данными на основе кейсов с использованием low-code платформ для решения задач описательной, прогнозной и предписывающей аналитики.

Цель освоения дисциплины

• Формирование у студентов системного взгляда на возможности и ограничения применения машинного обучения. Приобретение практического опыта использования алгоритмов анализа данных и базовых инструментов обработки данных для решения различных бизнес-задач.

Планируемые результаты обучения

• Понимание специфики работы с дата-исследователями и управления проектами в области Data Science.
• Применение на практике базовых инструментов дата-аналитика.
• Умение находить решение бизнес-задач с использованием методов и моделей анализа данных .
• Формирование у студента дата-аналитического мышления, понимания необходимости использования Data Science для повышения эффективности бизнеса.

Содержание учебной дисциплины

• Введение в науку о данных
• Базовые методики и модели в решении бизнес-проблем с помощью Data Science
• Продвинутые методики и модели в решении бизнес-проблем с помощью Data Science
• Инструменты для анализа и обработки данных
• Управление Data Science проектами

Элементы контроля

• Самостоятельная работа №1
  Работа представляет собой письменный ответ на задание, полученное в конце лекционного занятия.
• Самостоятельная работа №2
  Работа представляет собой письменный ответ на задание, полученное в конце лекционного занятия.
• Практическая работа №1
  Работа представляет собой решение задачи, поставленной на семинаре.
• Практическая работа №2
  Работа представляет собой решение задачи, поставленной на семинаре.
• Практическая работа №3
  Работа представляет собой решение задачи, поставленной на семинаре.
• Экзамен
  Тест с вопросами с единственным выбором, с вопросами с множественным выбором и открытыми вопросами, ответы на которые необходимо вычислить. Экзамен проводится с использованием экзаменационной системы StartExam (или аналогичной по функционалу) .

Промежуточная аттестация

• 2024/2025 1st module
  0.12 * Практическая работа №1 + 0.12 * Практическая работа №2 + 0.12 * Практическая работа №3 + 0.1 * Самостоятельная работа №1 + 0.1 * Самостоятельная работа №2 + 0.44 * Экзамен

Список литературы

Рекомендуемая основная литература

• Computer age statistical inference : algorithms, evidence, and data science, Efron, B., 2017
• Data analysis using SAS, Peng, C. Y. J., 2009
• Data Science : наука о данных с нуля, Грас, Дж., 2018
• Data science for business : what you need to know about data mining and data-analytic thinking, Provost, F., 2013
• Malthouse, E. C., & SAS Institute. (2013). Segmentation and Lifetime Value Models Using SAS. Cary, N.C.: SAS Institute. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=607170
• Methods for Data science. Vol.1: Introductory applied mathematics, Godfrey, J., 2015
• Methods for Data science. Vol.2: Problems and solutions for volume 1, Godfrey, J., 2015
• Segmentation and lifetime value models : Using SAS, Malthouse, E. C., 2013
• Блистательный Agile : гибкое управление проектами с помощью Agile, Scrum и Kanban, Коул, Р., 2019
• Гибкое управление проектами и продуктами, Вольфсон, Б., 2017
• Практическая статистика для специалистов Data Science : 50 важнейших понятий: пер. с англ., Брюс, П., 2018

Рекомендуемая дополнительная литература

• Data analysis using SAS Enterprise Guide, Meyers, L. S., 2009
• Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
• R for data science : import, tidy, transform, visualize, and model data, Wickham, H., 2017

Авторы

• Шевгунов Тимофей Яковлевич