• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Математические основы анализа данных

2018/2019
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс адаптационный
Когда читается:
1-й курс, 1 модуль

Преподаватель

Программа дисциплины

Аннотация

Целью освоения дисциплины «Математические основы анализа данных» является получение студентами опыта программирования для дальнейшего развития навыков работы с кодом. Задачей курса является является изучение базового синтаксиса языка программирования Python и базовых приемов и шаблонов используемых при решении задач анализа данных на языке программирования Python. Изучение дисциплины будет способствовать развитию навыков практического программирования и анализа данных на примере стандартных задач программирования. В результате изучения дисциплины у студенты, не имеющие опыт программирования, приобретут необходимые навыки для написания кода на языке программирования Python.
Цель освоения дисциплины

Цель освоения дисциплины

  • получение студентами опыта программирования для дальнейшего развития навыков работы с кодом
Планируемые результаты обучения

Планируемые результаты обучения

  • Умеет выполнять действия с матрицами и векторами, преобразовывать матрицы
  • Умеет вычислять производную и определять экстремум, решать задачу оптимизации
  • Знает основные понятия теории вероятностей и математической статистики, примеры распределений
  • Умеет оценивать параметры в модели, проверять статистические гипотезы
  • Умеет решать задачи регрессии и классификации
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Линейная алгебра и математический анализ
    Векторы, матрицы, преобразования матриц, линейные пространства, линейные операторы. Производная, экстремумы, градиентный спуск. Задача регрессии, как задача оптимизации и ее решение в матричном виде.
  • Теория вероятностей и математическая статистика
    Основные понятия: вероятность, случайная величина, распределение, примеры распределений, условные распределения. Выборки, эмпирическое распределение, оценивание параметров, метод максимального правдоподобия, доверительные интервалы, проверка статистических гипотез, EM-алгоритм
  • Предсказание и вывод
    Примеры задач регрессии и классификации.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (1 модуль)
    0.5 * Домашнее задание + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Searle, S. R., & Khuri, A. I. (2017). Matrix Algebra Useful for Statistics (Vol. Second edition). Hoboken, N.J.: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1497441
  • Линейная алгебра: теория и прикладные аспекты: Учебное пособие / Г.С. Шевцов. - 3-e изд., испр. и доп. - М.: Магистр: НИЦ ИНФРА-М, 2014. - 544 с.: 60x90 1/16. (переплет) ISBN 978-5-9776-0258-7 - Режим доступа: http://znanium.com/catalog/product/438021

Рекомендуемая дополнительная литература

  • Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968