Анализ данных (Программная инженерия) — различия между версиями
Arbabenko (обсуждение | вклад) (Новая страница: «== Анализ данных == Темы лекций») |
Arbabenko (обсуждение | вклад) |
||
| Строка 1: | Строка 1: | ||
| − | == | + | == Анализ данных == |
| − | + | === Краткое описание === | |
| + | В курсе рассматриваются основные задачи анализа данных и обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на практические аспекты применения изучаемых алгоритмов. Большое внимание уделяется практическим лабораторным работам на языке Python. | ||
| + | |||
| + | === Отчётность по курсу и критерии оценки === | ||
| + | После каждой лекции студентам предлагается выполнить практическое задание на Python. В конце модуля пройдет письменный экзамен по теории. | ||
| + | Итоговая оценка за курс складывается из оценок за практические задания и оценки за экзамен. | ||
| + | |||
| + | === Темы лекций === | ||
| + | |||
| + | '''Лекция 1. Основные понятия и примеры прикладных задач''' | ||
| + | Постановка задач обучения по прецедентам. Объекты и признаки. Типы шкал: бинарные, номинальные, порядковые, количественные. Типы задач: классификация, регрессия, прогнозирование, кластеризация. | ||
| + | Основные понятия: модель алгоритмов, метод обучения, функция потерь и функционал качества, принцип минимизации эмпирического риска, обобщающая способность, скользящий контроль. | ||
| + | Примеры прикладных задач. | ||
Версия 21:10, 16 января 2015
Содержание
Анализ данных
Краткое описание
В курсе рассматриваются основные задачи анализа данных и обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на практические аспекты применения изучаемых алгоритмов. Большое внимание уделяется практическим лабораторным работам на языке Python.
Отчётность по курсу и критерии оценки
После каждой лекции студентам предлагается выполнить практическое задание на Python. В конце модуля пройдет письменный экзамен по теории. Итоговая оценка за курс складывается из оценок за практические задания и оценки за экзамен.
Темы лекций
Лекция 1. Основные понятия и примеры прикладных задач Постановка задач обучения по прецедентам. Объекты и признаки. Типы шкал: бинарные, номинальные, порядковые, количественные. Типы задач: классификация, регрессия, прогнозирование, кластеризация. Основные понятия: модель алгоритмов, метод обучения, функция потерь и функционал качества, принцип минимизации эмпирического риска, обобщающая способность, скользящий контроль. Примеры прикладных задач.
