Кто читает:: Департамент бизнес-информатики и операционного менеджмента

Статус:: Курс обязательный

Когда читается:: 3-й курс, 3 модуль

Преподаватели

Забоев Михаил Валерьевич

Лезина Татьяна Андреевна

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Практики анализа данных» посвящена формированию практических навыков анализа данных для решения бизнес-задач и поддержки принятия обоснованных управленческих решений. Логика курса выстроена вокруг полного аналитического цикла: от постановки бизнес-проблемы и формулирования аналитических вопросов и гипотез до подготовки данных, проведения разведочного и статистического анализа, интерпретации результатов и формирования рекомендаций. Особое внимание уделяется выбору адекватного метода анализа, корректной интерпретации результатов, разграничению фактов, аналитических выводов и гипотез, а также оценке ограничений данных и полученных результатов. В рамках курса рассматриваются подходы к анализу экономичеких данных на основе нечетко-множественных и гибридных методов, основанных на интеллектуальном анализе . Практическая часть курса построена на решении бизнес-кейсов и выполнении аналитических заданий, в которых студент самостоятельно определяет необходимые данные, выбирает методы анализа и формулирует выводы. Итоговым результатом освоения дисциплины является аналитическое исследование реальной или приближенной к реальной бизнес-проблемы с представлением результатов в форме аналитического отчета и краткого аналитического питча. Курс формирует основу для дальнейшего освоения дисциплин, связанных с бизнес-аналитикой, BI-системами и визуализацией данных, Data Science и применением искусственного интеллекта в анализе данных.

Цель освоения дисциплины

Формирование у студентов практических навыков анализа данных для решения бизнес-задач: от формулирования аналитического вопроса и подготовки данных до проведения анализа, проверки гипотез, выявления закономерностей и интерпретации результатов для принятия решений.

Планируемые результаты обучения

Знать архитектуру и методы проектирования гибридных (мягких) интеллектуальных систем, в том числе нечетких нейронных сетей с генетической настройкой
Знать основы нечеткой теории множеств и нечеткой логики. Знать основы нечеткого логического вывода.
Знает основные концепции алгоритма кластеризации k-means и нейронных сетей Кохонена. Имеет практические навыки применения инструментов современных программных платформ Data Science and Machine Learning, для решения задач кластеризации
Обучающийся способен сравнивать основные подходы, существующие в задачах нечеткого управления
умеет работать с нечеткими числами, имеет представление о методах принятия решений с нечеткими данными
Умеет формулировать аналитическую задачу исходя из бизнес-проблемы
Умеет определять необходимые данные и их форматы
Умеет выбирать адекватные методы анализа в зависимости от типа задачи и данных
Умеет интерпретировать результаты анализа с учетом постановки бизнес-задачи
Умеет формулировать бизнес-выводы и рекомендации

Содержание учебной дисциплины

От бизнес-задачи к аналитической задаче
Типовые задачи анализа бизнес-данных
Основные определения, история развития «мягких интеллектуальных систем», применение для анализа данных в бизнесе
Анализ экспертной информации с помощью нечетко-множественных подходов для принятия управленческих решений в бизнесе
Использование гибридных (мягких) систем в экономическом анализе в условиях дефицита статистических данных
Методы кластеризации экономических данных (k-means, c-means, EM, нечеткая кластеризация). Кластеризация объектов с использованием самоорганизующихся карт.

Элементы контроля

Контрольная работа 1
Контрольная работа 2

Промежуточная аттестация

2026/2027 3rd module
0.5 * Контрольная работа 1 + 0.5 * Контрольная работа 2

Список литературы

Авторы

Лезина Татьяна Андреевна
Орлова Екатерина Дмитриевна
Забоев Михаил Валерьевич

Бакалаврская программа «Бизнес-информатика»

Контакты

Практики анализа данных

Преподаватели

Программа дисциплины