ПМСАР-2 2020

Материал из Wiki - Факультет компьютерных наук
Версия от 01:08, 14 сентября 2020; Upravitelev (обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск

О курсе

Преподаватель: Управителев Филипп Александрович, e-mail

Аннотация курса: Курс “Методы анализа больших данных в исследованиях поведения покупателей” предназначен для магистрантов второго года обучения и продолжает идеи и практики курса “Автоматизированный сбор больших данных в экономико-социологических исследованиях”. В курсе рассматриваются основные задачи продуктовой аналитики в IT-сфере, использующие идеи и методы больших данных. Слушатели курса ознакомятся с основными ролями и компетенциями аналитиков в IT-компаниях, научатся отвечать с помощью данных на ключевые бизнес-вопросы, стоящие перед аналитиками. Также слушатели познакомятся с возможностями применения методов машинного обучения для повышения ценности продукта - сегментации пользователей по их платежному поведению, прогнозирование оттока, прогностическая оценка окупаемости рекламных кампаний и т.д.

Программа курса: https://www.hse.ru/ma/msa/courses/339550890.html

Правила выставления оценок

Формула итоговой оценки: 0.35 * Домашнее задание 1 + 0.35 * Домашнее задание 2 + 0.1 * Контрольная работа 1 + 0.2 * Контрольная работа 2. За каждую работу выставляется оценка по десятибалльной шкале. Итоговая оценка округляется по стандартным арифметическим правилам округления.

В случае, если домашнее задание сдано позже установленного срока (но не более чем на 7 дней), оценка снижается на 1 балл. В более поздние сроки задания не принимаются. Текущие домашние задания выдаются и принимаются по мере прохождения программы, последнее домашнее задание принимается не позднее, чем за неделю до начала сессии второго модуля.

Оценки за курс выставляются в течение сессии второго модуля.

Каналы взаимодействия со студентами

Все взаимодействие со студентами происходит в слаке https://pmsar2019da.slack.com, также в этом слаке предоставляются все материалы курса (презентации лекций, материалы к практическим занятиям, тексты статей или ссылки на онлайн-материалы).

Литература и интернет-ресурсы