Анализ данных

Код специальности / Specialty code: Код специальности / Specialty code: 6-05-0533-08

Специальность / Specialty: Компьютерная математика и системный анализ / Computer Mathematics and Systems Analysis

Учебная дисциплина, модуль / Academic discipline, module: Анализ данных / Data Analysis

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Анализ данных» формирует системный взгляд на методологию анализа данных и прикладных исследований. Темы включают: введение в анализ данных; визуальный анализ данных (Python, Jupyter, Matplotlib, Seaborn, Tableau); математические основы (линейная алгебра, математическая статистика, проверка гипотез, байесовский вывод); сбор и обработка данных (веб-скрейпинг, Pandas, очистка данных); прикладные модели (k-ближайших соседей, наивный байесовский классификатор); оптимизация градиентным спуском; регрессионный анализ и деревья решений; классификация и кластерный анализ; анализ временных рядов (ARIMA, SARIMAX, GARCH); основы и инструменты технического анализа; обработка естественного языка (NLP).

The course «Data Analysis» develops a systemic view of data analysis methodology and applied research. Topics include: introduction to data analysis; visual data analysis (Python, Jupyter, Matplotlib, Seaborn, Tableau); mathematical foundations (linear algebra, mathematical statistics, hypothesis testing, Bayesian inference); data collection and processing (web scraping, Pandas, data cleaning); applied models (k-nearest neighbors, Naive Bayes classifier); gradient descent optimization; regression analysis and decision trees; classification and cluster analysis; time series analysis (ARIMA, SARIMAX, GARCH); fundamentals and tools of technical analysis; natural language processing (NLP).

Формируемые компетенции / The formed competences

универсальные компетенции:

Владеть основами исследовательской деятельности, осуществлять поиск, анализ и синтез информации.

Решать стандартные задачи профессиональной деятельности на основе применения информационно-коммуникационных технологий.

специализированные компетенции:

Осуществлять полный цикл анализа данных с применением машинного обучения.

universal competencies:

Possess the basics of research activities, search, analyze and synthesize information.

Solve standard professional tasks based on the application of information and communication technologies.

specialized competencies:

Carry out the full cycle of data analysis using machine learning.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

знать:

– методы анализа данных и машинного обучения для решения математических задач, связанных с анализом и обработкой результатов наблюдений;

– популярные архитектуры и методологии анализа данных;

– основные понятия и методы теории вероятностей и математической статистики в контексте анализа данных;

– специализированные языки и программные средства для анализа данных;

– методы организации командной работы и сбора требований;

уметь:

– строить модели сложных систем и описывать их на языке Python с применением современных средств анализа данных;

– решать типовые задачи машинного обучения и самостоятельно разрабатывать алгоритмы;

– применять математические методы и инструментальные средства для решения прикладных задач;

– решать теоретико-вероятностные и статистические задачи, интерпретировать результаты;

– документировать и представлять отчёты о ходе аналитической работы;

иметь навык:

– полного цикла анализа данных с применением машинного обучения;

– сбора и анализа требований к информационным системам;

– построения, анализа и применения статистических моделей для оценки состояния и прогноза развития процессов;

– применения инструментов математического моделирования и статистического анализа.

know:

– data analysis and machine learning methods for solving mathematical tasks related to analysis and processing of observation results;

– popular data analysis architectures and methodologies;

– basic concepts and methods of probability theory and mathematical statistics in the context of data analysis;

– specialized languages and software tools for data analysis;

– methods of teamwork organization and requirements gathering;

be able to:

– build models of complex systems and describe them in Python using modern data analysis tools;

– solve typical machine learning tasks and independently develop algorithms;

– apply mathematical methods and tools to solve applied problems;

– solve probabilistic and statistical tasks, interpret results;

– document and present reports on analytical work progress;

possess:

– skills in the full cycle of data analysis using machine learning;

– skills in requirements collection and analysis for information systems;

– skills in building, analyzing and applying statistical models for assessing and forecasting processes;

– skills in applying mathematical modeling and statistical analysis tools.

Семестр изучения учебной дисциплины, модуля / Semester of study

6

6

Пререквизиты / Prerequisites

«Математический анализ», «Основы машинного обучения», «Компьютерная математика», «Базы данных».

«Mathematical Analysis», «Fundamentals of Machine Learning», «Computer Mathematics», «Databases».

Трудоемкость в зачетных единицах (кредитах) / Credit units

3

3

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, hours of self-directed learning

всего 110 часов, в том числе 68 аудиторных часов, из них: лекции – 34 часа, лабораторные занятия – 28 часов, управляемая самостоятельная работа – 6 часов.

total 110 hours, including 68 classroom hours, including: lectures – 34 hours, laboratory classes – 28 hours, guided independent work – 6 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

зачёт

pass/fail exam