Modern Methods of Data Analysis

2021/2022

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Department of Informatics

Course type:

Compulsory course

When:

2 year, 1, 2 module

Instructor

Ковалев Антон Сергеевич

Программа дисциплины

Аннотация

Дисциплина направлена на формирование представлений об основных методах машинного обучения, соответствующих алгоритмах вывода, вероятностных основах машинного обучения и соответствующих моделях. Изучение дисциплины будет способствовать развитию вероятностной интуиции и разработке моделей и методов машинного обучения, а также их практическому применению.

Цель освоения дисциплины

• Формирование у студентов представлений об основных аппаратах машинного обучения, эффективных алгоритмах обучения и применении обученных моделей.

Планируемые результаты обучения

• Владеет понятием статистического обучения в бизнесе, социологии, экономике. Знает возможности применения статистического обучения в информационных системах. Знает классификационные и регрессионные деревья, линейную регрессию, квадратичную функцию потерь и предположение о нормальном распределении шума.
• Знает главные методы, техники, темы и прикладные возможности. Владеет понятием анализа данных в различных прикладных областях. Знает этапы анализа данных. Знает инструменты R, RStudio, Python (пакеты scipy и numpy, сборка Anaconda, Pandas, Scikit-learn и др.).
• Владеет понятиями визуализации и агрегации данных: фильтрация, объединение, сортировка данных. Работает с датами и текстовыми данными. Оценивает параметры распределений. Знает метод максимального правдоподобия.
• Владеет понятиями: объединение моделей, усреднение, бутстрап, бэггинг, бустинг: AdaBoost. Знает алгоритм Random Forest.
• Знает модели, допускающие интерпретацию. Владеет понятием интерпретации моделей “черного ящика”. Владеет понятием глобальной интерпретации (знает важность признаков, ICE графики).
• Знает проблему выявления причинно-следственных связей. Владеет понятиями случайных экспериментов, выборки и смещения, мэтчинга. Знает оценки ATE, ATC.

Содержание учебной дисциплины

• Введение, основные понятия анализа данных
• Выводы на основе данных: проверка гипотез и статистические тесты
• Предсказания на основе данных. Классификация и регрессия
• Ансамбли моделей
• Интерпретация моделей
• Причинно-следственные связи

Элементы контроля

• Домашнее задание №1
• Домашнее задание №2
• Экзамен

Промежуточная аттестация

• 2021/2022 учебный год 2 модуль
  0.25 * Домашнее задание №1 + 0.5 * Экзамен + 0.25 * Домашнее задание №2

Список литературы

Рекомендуемая основная литература

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
• Вьюгин, В. В. Математические основы машинного обучения и прогнозирования : учебное пособие / В. В. Вьюгин. — Москва : МЦНМО, 2014. — 304 с. — ISBN 978-5-4439-2014-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/56397 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Ahmed, S. E. (2017). Big and Complex Data Analysis : Methodologies and Applications. Cham, Switzerland: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1383914