Введение в науку о данных

Основной целью освоения дисциплины «Введение в науку о данных» является приобретение обучающимися знаний об основах предметной области через постановку и решение типичных задач, с которыми исследователь в области науки о данных может столкнуться в своей работе, а также практических навыков работы с инструментами анализа данных, применяемыми в разных сферах человеческой деятельности.

Поставленная цель достигается путем решения следующих задач курса:

1) Ознакомить студентов с основными задачами, решаемыми в области науки о данных, базовыми алгоритмами этой области, а также со сферами практического применения данных алгоритмов;

2) Развить практические навыки работы с реальными инструментами, применяемыми в области науки о данных;

3) Научить решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей, а также подбирать методы машинного обучения для этих задач.

Форма обучения заочная (дистанционная). Еженедельные занятия будут включать просмотр тематических видеолекций, изучение дополнительных материалов и выполнение тестовых заданий с автоматизированной проверкой результатов, тестирование по пройденному материалу. Для получения сертификата необходимо выполнить все задания и тесты.

1. Введение
2. Математический инструментарий науки о данных
3. Программный инструментарий науки о данных
4. Машинное обучение: обучение с учителем
5. Машинное обучение: обучение без учителя

Дисциплина способствует формированию компетенций, предусмотренных действующим Образовательным стандартом СПбГУ:

В результате освоения курса обучающиеся должны

знать:

- Методологию работы исследователя в области науки о данных (постановка целей исследования, сбор данных, обработка и преобразования данных, обследование данных, построение моделей и отбор методов, представление и визуализация результатов).

- Способы организации хранения данных.

- Методы и подходы к стандартизации и преобразованию данных.

- Методы машинного обучения (базовые методы классификации и кластеризации).

уметь:

- Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей.

- Применять элементы теории вероятностей и математической статистики, лежащие в основе моделей и методов науки о данных

- Правильно подбирать методы машинного обучения для решения практических задач

- Организовывать рабочее окружение исследователя в области науки о данных (Jupyter).

- Использовать пакеты и библиотеки для машинного обучения (Matplotlib, SciPy/NumPy, Pandas, Scikitlearn)

владеть:

- Инструментарием для организации хранения данных.

- Навыками программной реализации на языке Pyton средств обработки и анализа данных.

- Навыками предобработки и визуализации данных