Основы анализа данных в международных отношениях 22/23 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м (тест)
(Первичное заполнение страницы)
Строка 1: Строка 1:
 +
== О курсе ==
 +
Данный курс представляет собой адаптацию общеуниверситетского курса по анализу данных специально для студентов образовательной программы ''«Международные отношения»'' и направлен на формирование компетенций в области статистики и анализа данных. В курсе будут рассмотрены темы, которые необходимы для успешного освоения основных понятий и методов, связанных с анализом данных.
 +
 +
Дисциплина реализуется с помощью онлайн-курса ''«Статистика для анализа данных»''.
 +
 +
[# Ссылка на ПУД Курса на сайте ОП]
 +
 +
[# Ссылка на ПУД НЭ на сайте ОП]
 +
 +
== Необходимые ссылки ==
 +
 +
[# Канал новостей в телеграме]
 +
 +
[# Ссылка на ведомость]
 +
 +
[# Ссылка на онлайн-курс «Статистика для анализа данных»]
 +
 +
[# Спецификация НЭ]
 +
 +
Приложение №17 к ПОПАТКУСу, [https://www.hse.ru/dataculture/exams Порядок организации Независимых экзаменов по Цифровым компетенциям]
 +
 +
== Команда курса ==
 +
{| class="wikitable"
 +
|-
 +
! Группа !! Преподаватель !! Контакты !! Ассистент !! Контакты
 +
|-
 +
| БМО211, [# чат группы в Телеграме]
 +
| Бурова Маргарита || @Burritas || Мохова Елизавета || @SuntAmara
 +
|-
 +
| БМО21#, [# чат группы в Телеграме]
 +
| Маркина Дарья || @MarkinaDaria|| Прохоров Кирилл || @Kirillp001
 +
|-
 +
| БМО21#, [# чат группы в Телеграме]
 +
| Маркина Дарья || @MarkinaDaria|| Рубанов Владислав || @rubanoww
 +
|-
 +
| БМО21#, [# чат группы в Телеграме]
 +
| Бочарова Александра || @ashebulka|| Капустина Лика || @lika_kapustina
 +
|}
 +
 +
== Материалы курса ==
 +
=== План курса ===
 +
{| class="wikitable"
 +
|-
 +
! № !! Тема !! Описание
 +
|-
 +
| 1|| '''Введение в инструменты''' || Инструменты для работы с Python.
 +
|-
 +
| 2|| '''Введение в статистику. Базовые манипуляции с данными''' || Фильтрация данных, сортировка данных, использованием функций.
 +
|-
 +
| 3|| '''Типы данных. Создание новых переменных''' || Типы признаков. Создание новых переменных по условию.
 +
|-
 +
| 4 || '''Генеральная совокупность и выборка. Частотные таблицы и распределения''' || Понятия генеральной совокупности, выборки, репрезентативности. Составление частотных таблиц, визуализация частотных таблиц: гистограмма и полигон. Группировка данных и сводные таблицы.
 +
|-
 +
| 5 || '''Описательные статистики: меры центральной тенденции и разброса''' || Методы центральной тенденции (мода, среднее арифметическое, медиана). Меры разброса ( размах, стандартное отклонение, дисперсия, межквартильный размах). Вычисление описательных статистик с группировкой.
 +
|-
 +
| 6 || '''Z-оценка. Выбросы''' || Перевод значений в z-оценки. Работа с пропущенными значениями и с выбросами.
 +
|-
 +
| 7 || '''Корреляция''' || Вычисление коэффициента корреляции Пирсона. Построение уравнения простой линейной регрессии, линия тренда.
 +
|-
 +
| 8 || '''Введение в визуализацию данных''' || Использование простейших визуализаций. Линейный график, столбчатая диаграмма, точечная диаграмма.
 +
|-
 +
| 9 || '''Продвинутая визуализация данных''' || Использование продвинутых методов визуализации данных, создание различных диаграмм. Разведочный анализ данных. Создание интерактивных визуализаций.
 +
|-
 +
| 10 || '''Введение в тестирование гипотез. Непараметрические критерии''' || Основы тестирования гипотез. Использование непараметрических критериев. Критерий согласия Хи-квадрат и критерий независимости Хи-квадрат.
 +
|-
 +
| 11 || '''Параметрические критерии для проверки гипотез''' || Параметрические статистические критерии. Т-тест : одновыборочный, парный, двухвыборочный.
 +
|-
 +
| 12 || '''Линейная регрессия''' || Предпосылки линейной регрессии. Построение уравнения простой и множественной линейной регрессии. Оценка качества построенной модели.
 +
|-
 +
| 13 || '''Логистическая регрессия''' || Введение в логистическую регрессию. Построение предсказаний с использованием логистической регрессии, интерпретация коэффициентов.
 +
|-
 +
| 14 || '''Введение в машинное обучение''' || Основные понятия, связанные с машинным обучением. Решение задачи регрессии и классификации. Оценка качества.
 +
|}
 +
 +
== Правила выставления оценок ==
 +
=== Формула ===
 +
Итог = МИН(10, 0.2*КР1 + 0.2*Экзамен + 0.2*ДЗ + 0.2*Тесты + 0.2*Проект + 0.1*Квизы)
 +
 +
* 0.2 * КР1
 +
* 0.2 * Экзамен
 +
* 0.2 * ДЗ (среднее арифметическое по 6 дз)
 +
* 0.2 * мини-тесты на семинарах
 +
* 0.2 * исследовательский проект
 +
* 0.1 * Квизы
 +
 +
Округление стандартное арифметическое. Округляется только итоговый результат.
 +
 +
=== Правила дедлайнов ===
 +
* Домашние задания: дедлайн + поздний дедлайн со штрафом 1 балл за каждый день просрочки.
 +
* Проект: проект не может быть засчитан, если студент не пришел на защиту - даже если проект групповой и защищает группа без студента - непришедшему ставится ноль, или не сдал проект ДО ЗАЩИТЫ в установленное время.
 +
* Контрольные: жёсткий дедлайн.
 +
* Все дедлайны – общие для всего курса.
 +
 +
== Литература ==
 +
==== Рекомендуемая основная литература ====
 +
* Elementary statistics : a step by step approach, Bluman, A. G.,
 +
* Essentials of Statistics for the Behavioral Sciences. Frederick J. Gravetter, Larry B. Wallnau. Wadsworth.
 +
 +
==== Рекомендуемая дополнительная литература ====
 +
* Савельев В. Статистика и котики.
 +
 +
 
[[Категория:Data_Culture]]
 
[[Категория:Data_Culture]]
 
[[Категория:Курсы по Анализу данных (DC) в 2022/23 году]]
 
[[Категория:Курсы по Анализу данных (DC) в 2022/23 году]]
−
 
−
тест
 

Версия 16:20, 25 августа 2022

О курсе

Данный курс представляет собой адаптацию общеуниверситетского курса по анализу данных специально для студентов образовательной программы «Международные отношения» и направлен на формирование компетенций в области статистики и анализа данных. В курсе будут рассмотрены темы, которые необходимы для успешного освоения основных понятий и методов, связанных с анализом данных.

Дисциплина реализуется с помощью онлайн-курса «Статистика для анализа данных».

[# Ссылка на ПУД Курса на сайте ОП]

[# Ссылка на ПУД НЭ на сайте ОП]

Необходимые ссылки

[# Канал новостей в телеграме]

[# Ссылка на ведомость]

[# Ссылка на онлайн-курс «Статистика для анализа данных»]

[# Спецификация НЭ]

Приложение №17 к ПОПАТКУСу, Порядок организации Независимых экзаменов по Цифровым компетенциям

Команда курса

Группа Преподаватель Контакты Ассистент Контакты
БМО211, [# чат группы в Телеграме] Бурова Маргарита @Burritas Мохова Елизавета @SuntAmara
БМО21#, [# чат группы в Телеграме] Маркина Дарья @MarkinaDaria Прохоров Кирилл @Kirillp001
БМО21#, [# чат группы в Телеграме] Маркина Дарья @MarkinaDaria Рубанов Владислав @rubanoww
БМО21#, [# чат группы в Телеграме] Бочарова Александра @ashebulka Капустина Лика @lika_kapustina

Материалы курса

План курса

№ Тема Описание
1 Введение в инструменты Инструменты для работы с Python.
2 Введение в статистику. Базовые манипуляции с данными Фильтрация данных, сортировка данных, использованием функций.
3 Типы данных. Создание новых переменных Типы признаков. Создание новых переменных по условию.
4 Генеральная совокупность и выборка. Частотные таблицы и распределения Понятия генеральной совокупности, выборки, репрезентативности. Составление частотных таблиц, визуализация частотных таблиц: гистограмма и полигон. Группировка данных и сводные таблицы.
5 Описательные статистики: меры центральной тенденции и разброса Методы центральной тенденции (мода, среднее арифметическое, медиана). Меры разброса ( размах, стандартное отклонение, дисперсия, межквартильный размах). Вычисление описательных статистик с группировкой.
6 Z-оценка. Выбросы Перевод значений в z-оценки. Работа с пропущенными значениями и с выбросами.
7 Корреляция Вычисление коэффициента корреляции Пирсона. Построение уравнения простой линейной регрессии, линия тренда.
8 Введение в визуализацию данных Использование простейших визуализаций. Линейный график, столбчатая диаграмма, точечная диаграмма.
9 Продвинутая визуализация данных Использование продвинутых методов визуализации данных, создание различных диаграмм. Разведочный анализ данных. Создание интерактивных визуализаций.
10 Введение в тестирование гипотез. Непараметрические критерии Основы тестирования гипотез. Использование непараметрических критериев. Критерий согласия Хи-квадрат и критерий независимости Хи-квадрат.
11 Параметрические критерии для проверки гипотез Параметрические статистические критерии. Т-тест : одновыборочный, парный, двухвыборочный.
12 Линейная регрессия Предпосылки линейной регрессии. Построение уравнения простой и множественной линейной регрессии. Оценка качества построенной модели.
13 Логистическая регрессия Введение в логистическую регрессию. Построение предсказаний с использованием логистической регрессии, интерпретация коэффициентов.
14 Введение в машинное обучение Основные понятия, связанные с машинным обучением. Решение задачи регрессии и классификации. Оценка качества.

Правила выставления оценок

Формула

Итог = МИН(10, 0.2*КР1 + 0.2*Экзамен + 0.2*ДЗ + 0.2*Тесты + 0.2*Проект + 0.1*Квизы)

  • 0.2 * КР1
  • 0.2 * Экзамен
  • 0.2 * ДЗ (среднее арифметическое по 6 дз)
  • 0.2 * мини-тесты на семинарах
  • 0.2 * исследовательский проект
  • 0.1 * Квизы

Округление стандартное арифметическое. Округляется только итоговый результат.

Правила дедлайнов

  • Домашние задания: дедлайн + поздний дедлайн со штрафом 1 балл за каждый день просрочки.
  • Проект: проект не может быть засчитан, если студент не пришел на защиту - даже если проект групповой и защищает группа без студента - непришедшему ставится ноль, или не сдал проект ДО ЗАЩИТЫ в установленное время.
  • Контрольные: жёсткий дедлайн.
  • Все дедлайны – общие для всего курса.

Литература

Рекомендуемая основная литература

  • Elementary statistics : a step by step approach, Bluman, A. G.,
  • Essentials of Statistics for the Behavioral Sciences. Frederick J. Gravetter, Larry B. Wallnau. Wadsworth.

Рекомендуемая дополнительная литература

  • Савельев В. Статистика и котики.
Источник — «http://wiki.cs.hse.ru/index.php?title=Основы_анализа_данных_в_международных_отношениях_22/23&oldid=71142»