Цели и задачи дисциплины
Целью дисциплины "Прикладные методы анализа данных" является освоение студентами теоретических и практических знаний и приобретение умений и навыков в области применения статистических методов и методов интеллектуального анализа данных при обработке научных, экспериментальных, прикладных, транзакционных и пр. видов данных из любой сферы деятельности.
Задачами дисциплины являются:
- изучение понятийно-категориального аппарата в области углубленного анализа данных;
- формирование представлений об общей методологии консолидации, подготовки и анализа данных;
- обеспечение освоения современных методов OLAP, KDD, Data Mining;
- формирование навыков и умений, необходимых для создания и развития корпоративных аналитических систем;
- приобретение практических навыков владения основными инструментальными средствами библиотек языка программирования Python;
- освоение методов и приемов подготовительного и описательного анализа данных, средств визуализации данных, использования и усовершенствования обучаемых моделей;
- формирование умений делать выводы из проведенного анализа.
Краткое содержание дисциплины
В ходе курса изучается следующий перечень вопросов:
Предмет и методы прикладного анализа данных. Проверка гипотез. Понятие, сущность и задачи интеллектуального анализа данных. Стадии интеллектуального анализа данных.
Основные понятия технологий сбора и систематизации данных. Предобработка данных, визуализация, первичный статистический анализ.
Освоение работы с языком Python и библиотеками, предоставляющими доступ к методам машинного обучения, нейросетевым моделям и визуализации (Scikit-learn, TensorFlow, Keras, Matplotlib и др.)
Корреляционный и регрессионный анализы. Классификация. Кластерный анализ. Метод главных компонент.
Анализ и прогнозирование временных рядов. Поиск ассоциативных правил в процессе анализа данных.
Нейросетевое моделирование и глубокое обучение. Анализ текстовой информации и аналитика.
Визуализация данных.