Модуль 7. Алгоритмы анализа данных

Алгоритм линейной регрессии. Градиентный спуск
Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
Логистическая регрессия. Log Loss
Алгоритм построения дерева решений
Случайный лес
Градиентный бустинг (AdaBoost)
Классификация с помощью KNN. Кластеризация K-means
Снижение размерности данных

Часов в программе

14,00 часов

лекции

20,00 часов

самостоятельная

2,00 часа

промежуточная аттестация

36,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: лекция
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Вид занятий: Практическое занятие
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Вид занятий: Самостоятельная работа
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Информационные ресуры

 [Электронный ресурс]//URL.: https://www.sqlbi.com/articles/calculated-columns-and-measures-in-dax/ - Calculated Columns and Measures in DAX
 [Электронный ресурс]//URL.: https://insightsoftware.com/blog/calculated-columns-vs-measures/ - Calculated Columns vs Measures
 [Электронный ресурс]//URL.: https://www.bluegranite.com/blog/understanding-the-differences-between-calculated-columns-measures-in-power-bi - Understanding the Differences Between Calculated Columns & Measures in Power BI
 [Электронный ресурс]//URL.: https://docs.microsoft.com/en-us/power-bi/visuals/power-bi-visualization-types-for-reports-and-q-and-a - Visualization types in Power BI
 [Электронный ресурс]//URL.: https://coolinfographics.com/dataviz-guides - DataViz Reference Guides

Образовательные ресуры

 [Электронный ресурс]//URL.: https://www.sqlbi.com/ref/power-bi-visuals-reference/ - Power BI Visuals Reference
 [Электронный ресурс]//URL.: https://www.softcrylic.com/blogs/data-visualization-with-powerbi/ - Выбор подходящей визуализации данных с помощью Power BI.
• Фаулер, Мартин, Садаладж, Прамодкумар Дж. NoSQL: новая методология разработки нереляционных баз данных. — Пер. с англ. — М.: ООО "И.Д. Виль-ямс", 2013. — 192 с.
• Халафян А. А., Боровиков В. П., Калайдина Г. В. Теория вероятностей, ма-тематическая статистика и анализ данных. Основы теории и практика на компь-ютере. Statistica. Excel. Более 150 примеров решения задач. Учебное пособие. — М.: Ленанд. 2017. 320 с.

Учебно-методические материалы

Методы, формы и технологии

Метод проблемного обучения
Метод проектов
Метод питчинга

Методические разработки

Методические рекомендации по промежуточной аттестации
Методические рекомендации по организации питчинга

Материалы курса

Уровни анализа данных - современные подходы

Учебная литература

• Кошик Авинаш. Веб-аналитика 2.0 на практике. Тонкости и лучшие методики. – Издательство: Диалектика, 2019. – 528 с.
• Лафорте Р. Структуры данных и алгоритмы в Java. Классика Computers Science. 2-е изд. — СПб.: Питер, 2018. — 704 с.
• Макфарланд Д. Новая большая книга CSS. Москва. Питер. 2019. - 720с.
• Фельке-Моррис. Т. Большая книга веб-дизайна. Эксмо. Москва. 2020- 604 с
• Феррари А., Руссо М. Анализ данных при помощи Microsoft Power BI и Power Pivot для Excel. ДМК Пресс, 2020. - 288 с.
• Хорстманн, К. С. Java. Библиотека профессионала. Том 1. Основы / К. С. Хорстманн. - Москва : Вильямс, 2014. — 864 c.

Темы

Алгоритм линейной регрессии. Градиентный спуск Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск Логистическая регрессия. Log Loss Алгоритм построения дерева решений Случайный лес Градиентный бустинг (AdaBoost) Классификация с помощью KNN. Кластеризация K-means

Лекции
2,00ч

Самостоятельная работа
2,00ч

Всего
4,00ч

Промежуточная аттестация 2,00 часа

Промежуточная аттестация проводится в форме отчета по результатам выполнения практического задания по дисциплинам и проверки преподавателем.