Департамент бизнес-информатики и операционного менеджмента

АБB
АБB
АБB

Обычная версия сайта

О департаменте

Департамент бизнес-информатики и операционного менеджмента представляет образовательную и исследовательскую экспертизу в области цифровой трансформации экономики и бизнеса и управления компаниями на основе данных.

В задачи департамента входит реализация дисциплин, а также прикладных проектов, связанных с моделированием и анализом бизнес-процессов, проектированием бизнес- и ИТ-архитектуры предприятий, управлением операционной эффективностью, информационными системами в бизнесе, технологиями и инструментами обработки и анализа данных.

Публикации

Книга

Конкурс образовательных инноваций 2024: о проблемах и их решениях говорят победители

Лытаева М. А., Черненко О. Э., Варламова Ю. В. и др.

Вып. 12. М.: Издательский дом НИУ ВШЭ, 2025.

Статья

Пространственная асимметрия ИТ-рынка труда России: декомпозиция регионального зарплатного разрыва и география компетенций искусственного интеллекта
В печати

Окусков И. С.

ЭКО. 2026.

Глава в книге

Медиа потребление и медиа активность персонала как актуальный вызов для HR

Кудрявцева Е. И.

В кн.: Психология инновационного управления персоналом в контексте вызовов современного рынка труда. Н. Новгород: Изд-во ННГУ им. Н.И. Лобачевского, 2026. С. 576-579.

Препринт

Система синтаксических инвариантов текстовой деятельности: статистические дескрипторы, семантическая структура и диагностические профили

Кудрявцева Е. И.

№ 0148-756-286. РЦИС, 2026

Все публикации

Кто читает:: Департамент бизнес-информатики и операционного менеджмента

Статус:: Курс обязательный

Когда читается:: 2-й курс, 2, 3 модуль

Преподаватель

Кива Павел Сергеевич

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Python для анализа данных» предоставляет комплексное практическое введение в использование языка Python для решения реальных аналитических задач. Программа курса охватывает полный цикл работы с данными: от их сбора и очистки до анализа, визуализации и построения прогнозных моделей. Особое внимание уделяется освоению ключевых библиотек Python для Data Science: Pandas для обработки данных, NumPy для математических вычислений, Matplotlib и Seaborn для визуализации, Scikit-learn для машинного обучения. Итогом обучения является защита собственного аналитического проекта, в котором студенты применяют полученные навыки на практике. Курс не содержит отдельных лекций; теоретический материал интегрирован в практические задания и проектную работу.

Цель освоения дисциплины

Сформировать фундаментальные навыки программирования на Python: освоить базовый синтаксис, структуры данных, функции и работу с файлами, необходимые для автоматизации аналитических процессов.
Освоить ключевые инструменты анализа данных: научиться применять библиотеки Pandas и NumPy для эффективной обработки, очистки и разведочного анализа данных (EDA).
Научиться визуализировать данные и результаты анализа: использовать библиотеки Matplotlib и Seaborn для создания наглядных статических и интерактивных графиков и дашбордов.
Приобрести компетенции в области прикладной статистики и машинного обучения: понимать и применять на практике методы описательной статистики, проверки гипотез, линейной регрессии и кластеризации для извлечения инсайтов и построения прогнозов.
Выполнить полный цикл аналитического проекта: получить опыт самостоятельного проведения анализа — от постановки задачи и работы с данными до интерпретации результатов и презентации выводов.

Планируемые результаты обучения

Студент способен установить и настроить рабочее окружение для анализа данных.
Студент способен найти данные для своего исследования в открытых источниках.
Студент способен применять базовые структуры данных и синтаксис Python для обработки информации.
Студент способен формулировать статистические гипотезы, интерпретировать результаты A/B-тестов, знает способы проверки гипотез.
Студент способен структурировать код с помощью функций и загружать данные из файлов.
Студент способен выполнять операции с данными с использованием библиотеки NumPy
Студент способен проводить разведочный анализ данных (EDA), включая обработку пропусков и выбросов.
Студент способен выполнять операции с данными с использованием библиотеки Pandas (фильтрация, группировка, агрегация, объединение таблиц).
Студент способен создавать статические и интерактивные визуализации с помощью Matplotlib и Seaborn.
Студент способен строить и оценивать простые модели машинного обучения для задач регрессии и кластеризации.
Студент способен презентовать результаты анализа данных и вести научную дискуссию со слушателями.

Содержание учебной дисциплины

Введение в профессию аналитика данных. Правовые основы обработки данных
Источники данных и измерительные шкалы
Базовый синтаксис и типы данных Python
Функции и работа с файлами в Python
Векторные операции. Библиотека NumPy
Базовые основы статистики. Библиотека SciPy
Разведочный анализ данных (EDA) с Pandas
Продвинутый Pandas для анализа данных
Визуализация данных с Matplotlib, Seaborn
Введение в машинное обучение для анализа данных
Защита итоговых проектов

Элементы контроля

Проект
Индивидуальный проект является частью академических требований курса, в рамках которого студенты работают с обширными базами данных для получения навыка проведения полного цикла анализа по материалам курса.
Домашнее задание
Домашнее задание по материалах практических занятий для самостоятельного выполнения. Результат необходимо оформить в Jupyter Notebook, продемонстрировать работу кода, входные и выходные данные, записать условие задачи, краткую теоретическую справку, краткую документацию используемых методов, вывод по каждому пункту решения, общий вывод по всей работе.
Задачи на семинарах
Проводится офлайн с показом студентом экрана с выполненным заданием/работающим кодом и объяснением логики решения задачи, если оно необходимо. Объем выполненных заданий должен соответствовать объему заданий в соответствии с планом работы группы. Результат необходимо оформить в Jupyter Notebook, продемонстрировать работу кода, входные и выходные данные, записать условие задачи, краткую теоретическую справку, краткую документацию используемых методов, вывод по каждому пункту решения, общий вывод по всей работе.
Контрольная работа
Контрольная работа представляет собой от 2 до 10 заданий в виде текстовых задач или тестовых вопросов открытой формы. Задания выполняются в аудитории самостоятельно без использования вспомогательных материалов, в том числе электронных устройств, а также не допускается общение студентов между собой.

Промежуточная аттестация

2026/2027 3rd module
0.4 * Проект + 0.2 * Контрольная работа + 0.2 * Домашнее задание + 0.2 * Задачи на семинарах

Список литературы

Авторы

Кива Павел Сергеевич
Орлова Екатерина Дмитриевна

Python для анализа данных