Data Science Case Studies (JD SAS) 21/22

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
Capture.PNG

Расписание занятий

Занятия проводятся по субботам

Общая ссылка для всех лекций и семинаров: https://zoom.us/j/99220349786?pwd=WjFZTEFiQzA4b1lzVmVDbXdmNVMwUT09

Идентификатор конференции: 992 2034 9786
Код доступа: 476860

9:30 - Семинар на русском - ФЭН 3 курс (совместно с БК ГК "Открытие")
11:10 - Семинар на русском - ФЭН 4 курс (совместно с БК ГК "Открытие")
13:00 - Лекция на английском (запись) - ПАД и МИЭФ
14:40 - Лекция на русском (запись) - ПМИ, ФЭН, МК
16:20 - Семинар на русском (запись) - ПМИ и МК
18:10 - Семинар на английском (запись) - ПАД1 и МИЭФ
19:40 - Семинар на английском - ПАД2

При посещении лекции и семинара в Zoom просим студентов сделать Rename и подписаться в формате «Префикс_Фамилия Имя», указав один из префиксов (МИЭФ, МК, ПАД, ПМИ, ФЭН). Например, «БИ_Иванов Алексей»

О курсе

Данная страничка содержит ссылки на материалы по курсу в 2021/2022 учебном году на потоке образовательных программ :

Образовательная программа Курс Факультет Ссылка на страницу курса АДвБ
Прикладная Математика и Информатика 3 курс Факультета Компьютерных Наук НИУ ВШЭ Анализ данных в бизнесе
Прикладной анализ данных 3 курс Факультета Компьютерных Наук НИУ ВШЭ Анализ данных в бизнесе
Экономика 3 курс Факультета Экономических Наук НИУ ВШЭ Анализ данных в бизнесе
Экономика 4 курс Факультета Экономических Наук НИУ ВШЭ Анализ данных в бизнесе
Экономика и статистика 3 курс Факультета Экономических Наук НИУ ВШЭ Анализ данных в бизнесе
Экономика и статистика 4 курс Факультета Экономических Наук НИУ ВШЭ Анализ данных в бизнесе
Программа двух дипломов по экономике НИУ ВШЭ
и Лондонского университета 		3 курс Международный институт экономики и финансов НИУ ВШЭ нет


дополнительные ссылки:

Программа курса

Первый модуль будет читаться для 3 и 4 курса - обзор разделов:

  • Клиентская аналитика;
  • Текстовая аналитика;
  • Задачи анализа данных в розничных сетях продаж товаров;
  • Основы оценки рисков;
  • ModelOps.

Первый модуль сможет погрузить студентов в актуальные задачи в бизнесе, а также в особенности анализа данных и построения аналитических моделей по каждому разделу модуля. В этом модуле студентов познакомят с программным обеспечением SAS.

Второй модуль – командный проект только для 3 курса.

Студенты будут разделены на группы по 2-7 человек и каждой группе будет дана практическая задача. Данный модуль позволит получить студентам практический опыт в анализе данных, разработке и в построении аналитических моделей на реальных данных.

Studying and using SAS software in «Data Analytics in Business» course

To perform practical tasks, a student is free of choice to pick any of the given software tools: SAS, R, Python.

Students who plan to perform practical tasks on SAS platform, may take advanced online courses for free.

To access the course, you must contact the course instructor - Natalia Titova via Telegram.

Links to access the software SAS -
https://sas-viya.cs.hse.ru/SASStudioV/main?locale=en_US
https://sas-viya.cs.hse.ru/SASStudioV/main?locale=ru_RU

If a student has completed all the practical tasks on the SAS and passed the course with excellence, then he will receive:

  • academic SAS program completion certificate
  • Acclaim electronic badge confirming completion of the course and a list of technologies used by SAS

All interested students can take basic SAS online courses for free:

Students who are willing to spend extra time learning to program in SAS can try to take a professional certification within the SCYP program for free (SAS® Software Certified Young Professionals) link to the course.

Лекции

 суббота
ПАД и МИЭФ - 13:00 - 14:30;
ПМИ, Экономика, Экономика и статистика, МК - 14:40 - 16:10

ссылка на подключение к лекции - https://zoom.us/j/99220349786?pwd=WjFZTEFiQzA4b1lzVmVDbXdmNVMwUT09
Идентификатор конференции: 992 2034 9786
Код доступа: 476860
Название раздела Тема Дата для 3 и 4 курса Презентация Запись
Клиентская аналитика Введение в клиентскую и онлайн аналитику 15.01.2022 Лекция №1 - рус
Клиентская аналитика Построение прогнозных моделей и визуализация данных 22.01.2022
Текстовая аналитика Введение в задачи анализа текстовых данных 29.01.2022
Текстовая аналитика Инструменты и методы текстовой аналитики 05.02.2022
Задачи анализа данных в розничных сетях продаж товаров Введение в задачи анализа данных в ритейле. Прогнозирование спроса 12.02.2022
Задачи анализа данных в розничных сетях продаж товаров Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса 19.02.2022
Задачи анализа данных в розничных сетях продаж товаров Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента 26.02.2022
Основы оценки рисков Введение в кредитные риски 5.03.2022
Основы оценки рисков Введение в рыночные риски 12.03.2022
Основы оценки рисков Валидация моделей 19.03.2022
ModelOps Операционализация моделей машинного обучения 26.03.2022

Семинары

суббота

Группа ФЭН 3 курс - 9:30,
Группы ФЭН 4 курс - 11:10,
Группа ПМИ+МК - 16:20,
 Группа ПАД 1 и МИЭФ - 18:10,
Группа ПАД 2 - 19:40

ссылка на подключение к семинару - https://zoom.us/j/99220349786?pwd=WjFZTEFiQzA4b1lzVmVDbXdmNVMwUT09
Идентификатор конференции: 992 2034 9786
Код доступа: 476860

ссылка на доп.материалы - к семинарским занятиям

Название раздела Тема Дата для ПМИ, ПАД, МИЭФ и МК Дата для ФЭН Презентация Запись
Клиентская аналитика Введение в клиентскую и онлайн аналитику 15.01.2022 22.01.2022 Семинар №1 - рус
Клиентская аналитика Построение прогнозных моделей и визуализация данных 22.01.2022 29.01.2022
Текстовая аналитика Введение в задачи анализа текстовых данных 29.01.2022 05.02.2022
Текстовая аналитика Инструменты и методы текстовой аналитики 05.02.2022 12.02.2022
Задачи анализа данных в розничных сетях продаж товаров Введение в задачи анализа данных в ритейле. Прогнозирование спроса 12.02.2022 19.02.2022
Задачи анализа данных в розничных сетях продаж товаров Описательная аналитика в Ритейл: кластеризация магазинов, сегментация товаров, восстановление спроса 19.02.2022 26.02.2022
Задачи анализа данных в розничных сетях продаж товаров Задачи оптимизации запасов товаров в ритейл-сети, оптимизация цен, оптимизация ассортимента 26.02.2022 5.03.2022
Основы оценки рисков Введение в кредитные риски 5.03.2022 12.03.2022
Основы оценки рисков Введение в рыночные риски 12.03.2022 19.03.2022
Основы оценки рисков Валидация моделей 19.03.2022 26.03.2022
ModelOps Операционализация моделей машинного обучения 26.03.2022 2.04.2022

Отчётность по курсу и критерии оценки

В курсе предусмотрено несколько форм контроля знания:

  • 3 практических домашних задания
  • Письменный экзамен, вопросы в виде теста с вариантами ответов
  • Командный проект ( только для 3 курса )

Критерии оценки знаний, навыков

  • Оценки за все домашние задания выставляются по 2-балльной шкале, где «2» — задание решено полностью, «1» — задание решено не полностью или с недочётами, «0» — задание не решено или решено неверно.

Если домашнее задание разбито на несколько частей, то каждая часть оценивается по 2-балльной шкале как описано выше, а затем оценки усредняются с равными весами без округления.

Перевод оценки за домашние задания из 2-балльной шкалы в 10-балльную проводится путём умножения оценки на 5 без округления.

  • Оценка за экзамен выставляется по 10-балльной шкале.
  • Оценка за командный проект выставляется по 10-балльной шкале.

Порядок формирования оценок по дисциплине

Пусть оценки за 3 домашних задания по 10-балльной шкале — O_1,O_2,O_3, а оценка за экзамен в конце первого модуля по 10-балльной шкале — O_экз.


Итоговая оценка для студентов 4 курса O_итог рассчитывается по формуле

O_итог = 0.225 * O_1 + 0.225 * O_2 + 0.225 * O_3 + 0.325 * O_экз


Итоговая оценка для студентов 3 курса в первом модуле O_мод рассчитывается по формуле

O_мод = 0.1 * O_1 + 0.1 * O_2 + 0.1 * O_3 + 0.2 * O_экз

Оценка за проект во втором модуле O_пр выставляется по 10-балльной шкале по итогам защиты проекта.

Итоговая оценка O_итог определяется по формуле O_итог = O_мод + 0.5 * O_пр


Округление происходит только в самом конце — в итоговой оценке. Округление арифметическое.

Каждое задание и экзамен оцениваются по 10-балльной шкале (по заданиям допускается дробная оценка). За некоторые задания можно будет получить бонусные баллы, о чем будет объявляться при выдаче задания.

Home assignments

Home assignment #1

The home task #1 consists of 2 parts:

1. Data research and data processing for subsequent segmentation;

2. Making customer profiles based on segmentations (use at least 2 segmentation methods).

An example of a detailed description of Home assignment №1 2020-2021 with examples and results read in the attached file

Each student chooses the version that is indicated opposite his name in the list link

Versions and data description are presented in the folder at the link

In order to receive an assessment, you need:

1. Send an archive with files where all calculations were made and a cover letter with conclusions and comments on each part:

  • Calculations can be done using code (python/sas/sql), pivot tables and formulas in excel or SAS Viya project;
  • All conclusions must be supported by visually interpretable graphs and data.

2. The archive (.zip) with the files must be sent to ntitova@hse.ru with the email subject “ФКН ВШЭ”

3. The file name must be sent according to the template <First Name>_<Last name>_<group number>_hw1.zip.

For example, Alexander_Sharipov_156_hw1

'Grade for Home assignment #1 is given on a 10-point scale, where:

"8-10" - the task is completely solved, all 2 parts of homework are completed:

  • data analysis was carried out, a code is working, and tables for data research were provided;
  • constructed segmentation by 2 methods;
  • provided clear conclusions with confirmed data (tables, graphs);

"6-7" - the task is solved incompletely or with shortcomings:

  • data analysis was carried out, a working code and tables for data research were provided;
  • built segmentation using at least one method;
  • provided clear conclusions with confirmed data (tables, graphs);

"4-5" - the task was solved with significant shortcomings,

  • data analysis was carried out, a working code and tables for data research were provided;
  • revealed top-level dependencies and patterns for customers without building a segmentation model;

"0-3" - the task is not solved or solved incorrectly.

Deadline – 2 weeks (February 19, 2022 23:59).

Home assignment #2

Description of Home assignment #2 is in the file link

Deadline - March 12, 2022 23:59. Solutions should be sent to aromanenko@hse.ru

The subject of the letter must contain the following: HSE + Course number + version_number + full name.

The file name must include:

  • Course number
  • Version number
  • Full name

Example: "ПМИ_3курс_Вариант_8_IvanovIvanIvanovich"

Home assignment #3

It is necessary to build a scoring model that assesses the probability of a client default at the stage of making a loan application. To do this you need:

0. Download data from the link https://drive.google.com/drive/u/0/folders/16CMyPnLu7Fv7IgsYOZimQK-7MaFZEWEZ

Each student selects 2 data samples "accept" and "reject", which start with the student's HW version. Version numbers for HW #3 must be taken the same as for HW #1.

The completed task must be sent in the following form:

1) File/scripts with built models (there must be comments, without comments the task is considered as unresolved)

2) Excel file with answers to the following questions:

1. What is the proportion of 1 in the "accept" sample?

2. It is necessary to calculate the following for all interval variables: 

- Proportion of missing values
- Median
- Mean
- Standard deviation
- Are there any abnormal values, outliers?
- Information Value

3. It is necessary to calculate for all categorical variables the following: 

- Mode
- Proportion of missing values
- Information Value
- Are there outliers, abnormal values?

4. Build logistic regression only on approved applications with transformed WoE variables. What is the meaning of GINI? F1 measure?

5. Conduct a Reject Inference analysis. What is the percentage of rejected applications?

6. Build a logistic regression on all applications with transformed WoE variables. What GINI, F1 mean? Has the model changed?

7. What model would you recommend for implementation in a productive environment? Give a detailed explanation

Assessment for HW #3 is set on a 2-point scale, where "2" - the task is solved completely, "1" - the task is not completely solved or with shortcomings, "0" - the task is not solved or solved incorrectly. The transfer of grades for homework from a 2-point scale to a 10-point scale is carried out by multiplying the grade by 5 without rounding.

For HW #3, marks will be given: "2" - the model is correctly built on both the accept and reject samples. Correct answers given. "1.6" - the model is correctly built both on the accept sample and on the reject sample. 50% of answers are correct. "1.4" - the model is correctly built both on the accept sample and on the reject sample. Wrong answers are given. "1" are given - the model is built only on the accept sample. "0.8" - the task is not completely solved. 50% of answers are correct. "0" - the task is not solved or solved incorrectly.

Deadline - until 26.03.2022 inclusive

Decisions should be sent to msvorobeva@hse.ru The subject of the letter must contain the following: HSE + Course number + version_number + full name.

The file name must include:

  • Course number
  • Version number
  • Full name

Example: "ПМИ_3курс_Вариант_8_IvanovIvanIvanovich"

If the works will repeat each other, both works will be considered unresolved.

Командный проект для 3 курса

Выбор темы для командного проекта по курсу "Анализ данных в бизнесе"

Студенты делятся на группы по 3 человека. В дальнейшем 2-3 группы могут соединить в одну. Внутри группы должен быть определен капитан команды - ответственное лицо группы.

Ответственное лицо отвечает за выполнение и результат следующих основных функций:

  • отправка заявки на тему проекта и согласование темы проекта от лица всей группы с преподавателями;
  • предоставление информации куратору о текущем статусе проекта: учет, распределение и контроль выполнения задания по проекту;
  • отправка отчетов, презентаций, технической документации по выполненными работам группы в электронном виде.


Описания тем проектов: ссылка на файл

Ссылка на форму подачи заявки на тему: ссылка на файл


Сроки выбора тем:

До 17 апреля группа должна выбрать две темы из указанного списка, указав первый и второй приоритет для этих тем.

18 апреля - каждой группе, которая подала заявку на проект, через указанную форму, будет назначена тема проекта и куратор. При назначении тем будут учитываться приоритеты указанные студентами, а также средний балл студентов в группе по первому модулю курса. На одну тему назначается не более 3-х групп студентов.


При возникновении вопросов пишите в Telegram Титовой Наталии.


Итогом каждого проекта должна быть презентация результатов проекта на 10-15 минут.

Защита проекта для ПАД и МИЭФ будет в середине мая (17-22 мая), а также для всех желающих, которые готовы будут защититься.

Финальная защита для ПМИ, ФЭН пройдет в середине июня (15-19 июня) до начала сессии.

Оценка за проект во втором модуле выставляется по 10-балльной шкале по итогам защиты проекта.

Те студенты, которые не нашли себе группу тоже подают заявку на тему, но на одного себя. Мы сами соединим с группой по схожей теме.


Даты защиты учебных проектов в 4 модуле:

Защиты проектов пройдут с 17 по 19 июня 2021 года.

В файле по ссылке вы найдете список проектных групп с привязкой к дате и времени защиты, а так же ссылки для подключения к самим защитам.

Командные проекты - даты защит по группам и ссылки на подключение.

Задать вопрос по курсу

Вопросы по курсу можно задавать в telegram чат курса, преподавателю курса Титовой Наталии @Natalitics или менеджеру кафедры SAS Лобок Татьяне @tatianalobok (tlobok@hse.ru).


Канал в telegram для объявлений: https://t.me/+Lj-yHhfNJTQxYWEy

Чат в telegram для обсуждений: https://t.me/+a1VMTe2xwNA5Mzcy


Все объявления и материалы по курсу будут выкладываться в чате и в канале telegram! Преподаватели в чате бывают, но не всегда. По всем важным вопросам стоит писать преподавателю Титовой Наталии в чате telegram @Natalitics или на почту Natalia.Titova@sas.com. В название письма обязательно добавлять тег [ПМИ ФКН ВШЭ/ПАД ФКН ВШЭ/МИЭФ ФКН ВШЭ/Эк ФЭН ВШЭ/ЭкСт ФЭН ВШЭ], а также указывать свою фамилию и имя.

Все приведенные файлы предназначены для использования студентами во время обучения и обновляются в течение года. По найденным опечаткам, неточностям, сбоям работы странички просьба писать на электронную почту tlobok@hse.ru.

Материалы по курсу

Документы и программа курса Внимание: файлы обновляются!

  • Рабочая программа дисциплины для 3 и 4 курса можно найти по следующей ссылке.

Рекомендуемая литература и полезные дополнительные материалы

Полезные материалы


Полезная литература

К разделу 1:


К разделу 2:

  • Шапиро Дж (2006). Моделирование цепи поставок. Питер. Серия «Теория менеджмента».
  • Tijms H.C., Groenevelt H. (1984). Simple approximations for the reorder point in periodic and continuous review (s, S) inventory systems with service level constraints. European Journal of Operational Research, Vol. 17, Issue 2, August 1984, Pages 175-190.]


К разделу 3:

  • Christoffersen P. (2012) Elements of Financial Risk Management. 2nd ed. Elseiver Academic Press.

К разделу 4:

  • Мортон С. (2016) Лаборатория презентаций. Формула идеального выступления. Альпина Паблишер.

Контакты

микро
Титова Наталия Николаевна - старший преподаватель

Natalia.Titova@sas.com



микро
Лобок Татьяна Сергеевна - менеджер базовой кафедры SAS

tlobok@hse.ru

Источник — «http://wiki.cs.hse.ru/index.php?title=Data_Science_Case_Studies_(JD_SAS)_21/22&oldid=65280»