Independent Data Science Test. Advanced Level

2023/2024

Academic Year

RUS

Instruction in Russian

1

ECTS credits

Delivered at:

Digital Skills Development Unit

Course type:

Compulsory course

When:

3 year, 3 module

Instructor

Akaeva, Kavsarat

Программа дисциплины

Аннотация

Одной из цифровых компетенций, формирование которых интегрировано во все образовательные программы НИУ ВШЭ, является компетенция «Анализ данных и методы искусственного интеллекта» (далее — Анализ данных): от использования математических методов и моделей для извлечения знаний до решения профессиональных задач и разработки новых подходов.Для каждого направления подготовки в бакалавриате образовательным стандартом определен минимально необходимый уровень освоения этой цифровой компетенции: начальный/базовый/продвинутый. Независимая оценка компетенции по Анализу данных является обязательной частью учебного плана для всех образовательных программ бакалавриата. Она предполагает подтверждение минимально необходимого уровня для ОП освоения данной компетенции. Оценка проводится после того, как на ОП завершены курсы, обеспечивающие формирования этого уровня. Данный экзамен проверяет наличие компетенции по Анализу данных на продвинутом уровне. Независимый экзамен осуществляется с помощью прокторинга. Итоговый результат переводится в шкалу от 1 до 10. Оценка ниже 4 баллов округляется с отбрасыванием дробной части (к меньшему целому), оценка от 4 баллов округляется к ближайшему целому. Отсутствие положительных результатов независимой оценки по Анализу данных в установленные сроки влечёт за собой академическую задолженность.

Цель освоения дисциплины

• Экзамен продвинутого уровня включает себя темы по линейной алгебре, теории вероятностей, статистике, анализу данных и машинному обучению.

Планируемые результаты обучения

• Выбирает корректные графики для визуализации данных
• Загружает данные в ПО и работает с ними (фильтрация, агрегация, заполнение пропущенных значений).
• Знание основных понятий и формул теории вероятностей, умение ими оперировать
• Умение выполнять базовые операции линейной алгебры с векторами и матрицами
• Умение определить тип задачи машинного обучения
• Умение определять качество модели. Умение определять недообучение /переобучение, регуляризация.
• Умение рассчитать метрику ошибки по формуле или по заданному алгоритму
• Понимание теоретических принципов работы одного из алгоритмов машинного обучения: нелинейный алгоритм
• Умение обучать модель, подбирать её гиперпараметры, выбирать наилучшую модель для данной задачи и оценивать ее качество

Содержание учебной дисциплины

• Независимый экзамен

Элементы контроля

• Часть А
• Часть B
• Часть С

Промежуточная аттестация

• 2023/2024 учебный год 3 модуль
  0.35 * Часть B + 0.25 * Часть А + 0.4 * Часть С

Список литературы

Рекомендуемая основная литература

• Core concepts in data analysis: summarization, correlation and visualization, Mirkin, B., 2011

Рекомендуемая дополнительная литература

• Miroslav Kubat. (2017). An Introduction to Machine Learning (Vol. 2nd ed. 2017). Springer.
• Машинное обучение & TensorFlow, Шакла, Н., 2019

Авторы

• Рословцева Кристина Олеговна
• Акаева Кавсарат Исламовна