Data Analysis and Al Methods

2026/2027

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered by:

School of Computer Engineering

Type:

Mago-Lego

When:

Instructor

Polyakov, Konstantin

Программа дисциплины

Аннотация

Курс «Анализ данных и методы искусственного интеллекта» ориентирован на студентов магистратуры, которые связывают свою будущую профессиональную деятельность с решением творческих задач в области проектированием и созданием программных и аппаратных инструментов необходимых для ИТ поддержки деятельности человека. Он посвящен изучению современных методов сбора и анализа количественных или качественных данных необходимых для решения широкого класса проблем, возникающих в ходе планирования и реализации хозяйственной деятельности, при организации аналитической поддержки принятия решений на различных уровнях управления, а также задач, возникающих в области управления техническими системами. Курс включает в себя обзор некоторых методов искусственного интеллекта.

Цель освоения дисциплины

• Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов, обучающихся по магистерской программе "Информатика и вычислительная техника", изучающих дисциплину «Анализ данных и методы искусственного интеллекта».

Планируемые результаты обучения

• Умеет анализировать качество данных, умеет обнаруживать статистические свойства данных.
• Умеет проверять гипотезы из прикладной области с помощью построенной МЛР на основе проверки статистических гипотез.
• Знать основные задачи, решаемые с использованием статистического обучения.
• Знать основные проблемы, возникающие при использовании статистического обучения.
• Уметь выполнить иерархическую кластеризацию данных и интерпретировать полученные результаты
• Уметь выполнить кластеризацию к-средних с выбором оптимального числа кластеров. Уметь интерпретировать полученные результаты.
• Уметь выбрать количество и построить главные компоненты для заданного набора данных.
• Уметь дать интерпретацию главным компонентам.
• Знать понятия "выброс для линейной регрессии", "точка разбалансировки".
• Уметь диагностировать точки разбалансировки и выбросы для линейной регрессии.
• Уметь специфицировать и оценить модель логистической регрессии.
• Уметь оценить качество модели логистической регрессии
• Уметь построить регрессионное дерево
• Уметь построить дерево классификации
• ОПК-3 Способен анализировать профессиональную информацию, выделять в ней главное, структурировать, оформлять и представлять в виде аналитических обзоров с обоснованными выводами и рекомендациям.
• ПК-2 Способен выбирать методы и разрабатывать алгоритмы решения задач в области информационно-вычислительных систем, в том числе, интеллектуальных; проектировать объекты автоматизации и программно-аппаратное обеспечение компьютерных систем и сетей
• ПК-3 Способен разрабатывать программное и аппаратное обеспечение компьютерных систем и сетей, в частности, компоненты распределенных программно-аппаратных комплексов и встраиваемых систем; проводить их промышленное тестирование, в том числе, с применением интеллектуальных систем и технологий

Содержание учебной дисциплины

• ISL_1. Предварительный анализ данных
• ISL_2. Определение и задачи статистического обучения
• ISL_7. Обучение без учителя. Классификация
• МИРЭК_1-3 Обучение без учителя. Снижение размерности
• МИРЭК_1-4. Обучение без учителя. Обнаружение аномалий.
• ISL_4. Задача восстановления регрессии
• ISL_6. Обучение с учителем. Методы классификации. Модели конечного выбора.
• МИРЭК_1-7. Обучение с учителем. Классификация. Линейный дискриминантный анализ.
• ISL_5. Обучение с учителем. Деревья принятия решений.

Элементы контроля

• Вопрос на лекции
  Тест с вариантами ответов
• Итоговое тестирование
• Активность на семинарах

Промежуточная аттестация

• 2026/2027 1st module
  0.3 * Вопрос на лекции + 0.3 * Активность на семинарах + 0.4 * Итоговое тестирование

Список литературы

Рекомендуемая основная литература

• The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
• Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP : учеб. пособие, Барсегян, А. А., 2008
• Эконометрика : учеб. пособие для вузов, Айвазян, С. А., 2010
• Эконометрика для начинающих : дополнительные главы, Носко, В. П., 2005
• Эконометрика для начинающих : Осн. понятия, элементарные методы, граница применимости, интерпретация результатов, Носко, В. П., 2000
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2001
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2007

Рекомендуемая дополнительная литература

• Clustering for data mining : a data recovery approach, Mirkin, B., 2005
• Contrast data mining : concepts, algorithms, and applications, , 2013
• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Введение в эконометрику : учебник для вузов, Доугерти, К., 2001
• Эконометрика - 2: продвинутый курс с приложениями в финансах : учебник, Айвазян, С. А., 2015
• Эконометрика : учебник и практикум для прикладного бакалавриата, Демидова, О. А., 2017
• Эконометрика. Кн. 1: Ч. 1: Основные понятия, элементарные методы; Ч.2 : Регрессионный анализ временных рядов, Носко, В. П., 2011
• Эконометрика. Кн. 2: Ч. 3: Системы одновременных уравнений, панельные данные, модели с дискретными и ограниченными объ..., Носко, В. П., 2011

Авторы

• Поляков Константин Львович