Программа методы анализа данных

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования по направлению подготовки 02.03.02 ФУНДАМЕНТАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (уровень бакалавриата) (приказ Минобрнауки России от 12.03.2015 г. № 224)

составлена на основании учебного плана:
02.03.02 Фундаментальная информатика и информационные технологии
утвержденного учёным советом вуза от 30.06.2020 протокол № 3.

Рабочая программа одобрена на заседании кафедры
Кафедра теоретической кибернетики и прикладной математики

Протокол от 30.06.2020 г. № 6
Срок действия программы: 2020-2021 уч. г.

Заведующий кафедрой
к.т.н., доцент Хворова Л.А.

Визирование РПД для исполнения в очередном учебном году

Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2020-2021 учебном году на заседании кафедры

Кафедра теоретической кибернетики и прикладной математики

Протокол от 30.06.2020 г. № 6

Все, что нужно знать о профессии аналитика данных

Заведующий кафедрой к.т.н., доцент Хворова Л.А.

1. Цели освоения дисциплины

1.1.

Целями изучения дисциплины являются изучение методов и подходов к анализу данных различного объема, включая предварительную обработку данных и статистический анализ, освоение различных моделей машинного обучения, предназначенных для решения задач кластеризации, классификации и регрессии и применение их для решения прикладных задач из различных сфер человеческой деятельности.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.В.ДВ.10

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

3.1. 3.1.1. 3.2. 3.2.1. 3.3. 3.3.1.

ОПК-2: способностью применять в профессиональной деятельности современные языки программирования и языки баз данных, методологии системной инженерии, системы автоматизации проектирования, электронные библиотеки и коллекции, сетевые технологии, библиотеки и пакеты программ, современные профессиональные стандарты информационных технологий

ПК-3: способностью использовать современные инструментальные и вычислительные средства

В результате освоения дисциплины обучающийся должен

Знать:

Основные технологии анализа данных.

Уметь:

Строить автоматизированные модели анализа данных.

Иметь навыки и (или) опыт деятельности (владеть):

Навыками анализа данных на примере решения задач кластеризации, классификации, прогнозирования.

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература

Раздел 1. Введение в анализ данных
1.1.	Введение в интеллектуальный анализ данных: основные понятия, области применения современных технологий обработки и интеллектуального анализа больших данных.	Лекции	6	2	Л1.2, Л1.1, Л2.2
1.2.	Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных.	Лекции	6	2	Л1.2, Л1.1, Л2.2
1.3.	Большие данные. Организация сбора и хранения больших наборов данных. Hadoop.	Лабораторные	6	4	Л1.2, Л1.1, Л2.2
1.4.	Восстановление пропущенных значений в массивах данных.	Лабораторные	6	2	Л1.1
1.5.	Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных.	Сам. работа	6	6	Л1.2, Л1.1, Л2.2
1.6.	Большие данные. Организация сбора и хранения больших наборов данных.Hadoop.	Сам. работа	6	2	Л1.2, Л1.1, Л2.2
Раздел 2. Очистка, интеграция и преобразование данных
2.1.	Библиотека pandas. Структуры данных в pandas, работа со структурами данных. Операции над данными. Комбинирование данных из разных источников. Обработка пропущенных значений.	Лекции	6	2	Л1.2, Л1.1, Л2.2
2.2.	Работа с данными в pandas.	Лабораторные	6	4	Л1.2, Л1.1, Л2.2
2.3.	Работа с данными в pandas.	Сам. работа	6	2	Л1.2, Л1.1, Л2.2
2.4.	Восстановление пропущенных значений в массивах данных.	Сам. работа	6	2	Л1.2, Л1.1, Л2.2
Раздел 3. Программные модули и пакеты для работы с многомерными массивами данных. Визуализация данных
3.1.	Библиотеки NumPy, SciPy: основные функции. Визуализация данных с matplotlib и pandas.	Лекции	6	2	Л1.1, Л2.3
3.2.	Работа с библиотеками NumPy и SciPy.	Лабораторные	6	2	Л1.1, Л2.3
3.3.	Работа с библиотеками NumPy и SciPy.	Сам. работа	6	2	Л1.1, Л2.3
3.4.	Визуализация данных.	Лабораторные	6	4	Л1.1, Л2.3
3.5.	Визуализация данных.	Сам. работа	6	2	Л1.1, Л2.3
Раздел 4. Теория вероятностей и математическая статистика
4.1.	Теория вероятностей: условная вероятность, случайные величины, теорема Байеса, распределение вероятностей.	Лекции	6	2	Л2.1, Л1.1
4.2.	Статистика: описание одиночного набора данных, показатели центра распределения, показатели вариации, корреляция и причинная зависимость. Проверка статистических гипотез.	Лекции	6	2	Л2.1, Л1.1
4.3.	Теория вероятностей и статистика.	Лабораторные	6	6	Л2.1, Л1.1
4.4.	Теория вероятностей и статистика.	Сам. работа	6	4	Л2.1, Л1.1
Раздел 5. Методы машинного обучения
5.1.	Задачи машинного обучения. Применение машинного обучения в Data Science. Алгоритмы машинного обучения. Библиотека Scikit-Learn.	Лекции	6	4	Л1.3, Л2.4, Л2.3
5.2.	Алгоритмы машинного обучения.Способы и типы машинного обучения.Библиотека Scikit-Learn.	Лабораторные	6	6	Л2.2, Л1.3, Л2.4
5.3.	Алгоритмы машинного обучения. Способы и типы машинного обучения.	Сам. работа	6	3	Л2.2, Л1.3, Л2.4
5.4.	Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление.	Лекции	6	2	Л2.2, Л1.3, Л2.4
5.5.	Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление.	Лабораторные	6	6	Л2.2, Л1.3, Л2.4
5.6.	Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление.	Сам. работа	6	4	Л2.2, Л1.3, Л2.4
5.7.	Защита индивидуальных проектов.	Лабораторные	6	2	Л2.2, Л1.3, Л2.4

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины

См. приложение

5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)

Не предусмотрено

5.3. Фонд оценочных средств для проведения промежуточной аттестации

См. приложение

6. Учебно-методическое и информационное обеспечение дисциплины

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование

203Л	лаборатория информационных технологий — компьютерный класс — учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации	Учебная мебель на 14 посадочных мест; компьютеры: марка ASUS модель i5-6500 — 14 единиц
Учебная аудитория	для проведения занятий всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проекта (работы), проведения практики	Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска)
408Л	лаборатория математического моделирования — учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации	Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доска меловая 1 шт.; компьютер Depo — 10 шт., 5 шт. с мониторами LG и 5 шт. с мониторами Philips; мультимедиа-проектор Sony — 1 шт.; МФУ Canon — 1 шт.; стационарный экран: марка Digis Optima C — 1 шт.

8. Методические указания для обучающихся по освоению дисциплины

Для успешного освоения дисциплины студент должен посещать лекции и лабораторные занятия, вовремя выполять все задания и тесты, пользоваться основной и полнительноцй литературой, рекомендованной настоящей программой. Во время лекции рекомендуется вести краткий конспект. Навыки анализа данных студент преобретает на лабораторных занятиях. Для выполнения лабораторных заданий каждому студенту необходимо: — получить вариант задания у преподавателя; — скачать документ с описанием задания с образовательного портала (https://portal.edu.asu.ru/course/view.php?id=3237); — внимательно прочитать задание. Вопросы, возникающие в процессе выполненпия лабораторных работ, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии; — разработать, отладить и оттестировать программы, решающие поставленные задачи. Для каждого лабораторного задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий. Тестовые задания на образовательном портале предназначены для контроля усвоения теоретического материала, а также умения читать и понимать программный код. Тесты выполняются только в присутсвии преподавателя на практическом занятии или на консультации. Количесвто попыток ограничено тремя. Готовясь к тестированию, студент должен изучить конспекты лекций и учебно-методические материалы, рекомендуемые преподавателем. При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными интернет-ресурсами.

Методы анализа данных

Источник: www.asu.ru

Паспорт программы «Методы анализа данных»

Цель реализации программы – качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области программирования на языке высокого уровня Python, ознакомление с практикой разработки программ для анализа данных.

• Новости
• Объявления

• Поступающим
• Учеба
• Наука
• Университетская жизнь
• Отзывы и благодарности
• Поздравления
• Международное сотрудничество

• МГУ в СМИ
• Интервью ректора

• Факультеты и филиалы
• Другие подразделения

• Главная страница
• Общие сведения
• Учеба
• Поступающим
• Наука
• Международное сотрудничество
• Дополнительное образование
• Профориентация и трудоустройство
• Интернет-ресурсы
• Выпускники
• Университетская жизнь
• События в фотографиях
• Виртуальный тур
• Адреса

• Telegram
• Яндекс.Дзен
• Youtube
• МГУ имени М.В.Ломоносова
• Дневник Московского университета

• Русский
• English
• 中文

Источник: www.msu.ru

Методы анализа данных

Программа дисциплины и вопросы к зачету для студентов заочной формы обучения учебной дисциплины «Методы анализа данных» / Сост. к.т.н. Тристанов А.Б.. – Калининград: Калининградский филиал Московского финансово-юридического университета, 2014, 12 с.

Рассмотрена и одобрена в качестве рабочей программы Кафедрой общих гуманитарных и естественно-научных дисциплин Калининградского филиала МФЮА, протокол от «_28__» _января_ 2014 г. № _6_

Рабочая программа учебной дисциплины разработана на основе Федерального государственного образовательного стандарта высшего профессионального образования утвержденного Министерством образования и науки РФ от 21 декабря 2009 г. № 747 и учебного плана дисциплины по направлению подготовки «Экономика».

Цель и задачи освоения дисциплины

Цель дисциплины. Основной целью курса «Методы анализа данных» является получение знаний, необходимых для профессиональной подготовки современного экономиста к деятельности в качестве экономиста-аналитика, финансового менеджера, аудитора, портфельного менеджера, бизнес-аналитика. Изучение курса «Методы анализа данных» способствует формированию личности обучаемого как специалиста в экономике и управлении, развивает его интеллект и способность к логическому и конструктивному мышлению.

Задачи дисциплины. В результате усвоения дисциплины решаются следующие задачи:

— Подготовка и обоснование решений на основе практических расчетов с использованием статистической обработки данных.

— Использование современных компьютерных технологий и Интернет-ресурсов как для профессионального общения, так и в качестве средства получения необходимых дополнительных знаний и данных.

— Овладение навыками самостоятельного получения знаний и повышения квалификации в сфере статистического анализа.

— Наработка необходимого опыта практического применения статистических методов анализа конкретных проблем развития экономики.

Место дисциплины в структуре ооп

Дисциплина «Методы анализа данных» является базовой дисциплиной математического и естественнонаучного цикла дисциплин Федерального государственного образовательного стандарта высшего профессионального образования (ФГОС ВПО) по направлению «Экономика» (бакалавриат) и адресована студентам второго курса.

Вместе с дисциплинами «Линейная алгебра», «Математический анализ», «Теория вероятностей и математическая статистика» курс составляет основу математического образования студента и рассчитан на студентов, имеющих подготовку по математике в объеме программы средней школы или соответствующих дисциплин среднего профессионального образования.

Источник: studfile.net