https://wikicshse.ru/index.php?action=history&feed=atom&title=%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D0%BA%D0%B0_%D0%B2%D0%BF%D0%B5%D1%87%D0%B0%D1%82%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9%3A_%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_ScienceЭкономика впечатлений: Введение в Data Science - История изменений2026-06-07T19:27:28ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://wikicshse.ru/index.php?title=%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D0%BA%D0%B0_%D0%B2%D0%BF%D0%B5%D1%87%D0%B0%D1%82%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9:_%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_Science&diff=2568&oldid=previmported>АннаВелликок: Migrated current public revision from wiki.cs.hse.ru2020-03-05T15:23:38Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>= О курсе =<br />
<br />
Цель учебной дисциплины - познакомить студентов с основными концепциями и методами анализа данных и машинного обучения. <br />
<br />
Учимся:<br />
* работать с питоном<br />
* понимать основные понятия Data Science<br />
* знать основные методы AI<br />
* отличать кластеризацию от регрессии<br />
* подбирать подходящую визуализацию<br />
<br />
<br />
= Программа =<br />
<br />
'''Тема 1. Введение. Что такое Data Science.'''<br />
* Введение в Artificial intelligence, Data Science, Machine Learning, Deep Learning, Big Data. <br />
* Какие сейчас выполняются задачки в туристическом IT-бизнесе с использованием AI и ML? <br />
* Какие возможности на рынке труда открывают перед тобой навыки работы с данными. SAAS бизнес.<br />
* Обзор инструментов и библиотек, которыми будем пользоваться: Python, введение в pandas.<br />
* Домашка: Посмотреть внимательно несколько ноутбуков в питоне. Введение в pandas, датасет по бронированиям<br />
<br />
'''Тема 2. Краткий курс нужной математики для Data Science'''<br />
* Теория вероятностей: вероятность, распределение, характеристики распределений. <br />
* Математическая статистика: выборка, типы выборок. Описательная статистика, меры центральной тенденции. Среднее, мода, медиана, стандартное отклонение, процентили, минимум, максимум. <br />
* Пакет Pandas<br />
* Небольшое дз в питоне №1: небольшие задачки на описательную статистику, использование pandas <br />
<br />
'''Тема 3. Визуализация данных''' <br />
* Основные виды графиков: гистограмма, bar chart, scatterplot. Использование графиков при подготовке данных.<br />
* Зачем нужна визуализация данных в бизнесе<br />
* Основные ошибки при визуализации<br />
* Небольшое дз в питоне №2<br />
<br />
'''Тема 4. Регрессия'''<br />
* Определение регрессии, нулевая гипотеза, ошибки первого и нулевого рода.<br />
* Метрики регрессии: MAE, MAPE, MSE, R2<br />
* Описание и постановка задач для регрессии<br />
<br />
Небольшое дз в питоне №3<br />
<br />
'''Тема 5. Классификация: KNN, Алгоритм решающих деревьев'''<br />
* Определение классификации, метрики: доля правильных ответов (accuracy), точность (precision), полнотa (recall). PR-кривая. ROC-кривая. <br />
* Обучение с учителем и без учителя. Валидация.<br />
* Задачи классификации<br />
* Алгоритмы классификации и их отличия<br />
* Небольшое дз в питоне №4<br />
<br />
'''Тема 6. Анализ текстовых данных''' <br />
* Подробное изучение бизнес-кейса с тональностью комментариев к отелям с Tripadvisor<br />
* Распознавание текста комментариев и их тональности. Изучение библиотек работы с текстом. Метод сбора данных из открытых источников. <br />
* Разметка комментариев по тональности<br />
* Обучение модельки, которая выявляет тональности у комментариев на размеченной выборке<br />
* Применение модельки на новых комментариях<br />
* Оценка результатов<br />
* Дз в питоне №5: Накидать новые переменные в разобранную на семинаре модель, описать получившийся результат<br />
<br />
'''Тема 7. Защита проектов с применением машинного обучения'''<br />
* Необходимо разобрать реальный бизнес-кейс, который был решён при помощи машинного обучения и искусственного интеллекта.<br />
* Описать бизнес-задачу, использованные методы и результаты.<br />
<br />
= Презентации =<br />
<br />
[https://docs.google.com/presentation/d/17nhXQDFA8b9dwhMfahpeRVVLMMP4DVuaUlrRgNeB-o0/edit?usp=sharing Тема 1. Введение]<br />
<br />
[https://docs.google.com/presentation/d/1BPalI7npGd8Xiyk5tGpdyZ5RMX5Yx3RdMz3k2nstKf0/edit?usp=sharing Тема 2. Краткий курс нужной математики и статистики для Data Science]<br />
<br />
[https://docs.google.com/presentation/d/1bTNIih-XyyzB_fKXrVXe1poXOsXs8arl2j0yQF4w0ZA/edit?usp=sharing Тема 3. Визуализация данных]<br />
<br />
[https://drive.google.com/open?id=1TTGewF1ZaT0sveJab2iE8BWkn3goXEvBF0KLQIxwvsQ Тема 4. Регрессия]<br />
<br />
[https://docs.google.com/presentation/d/1SB2b4rrkkolPGChaT5s98PgbPqjjsKoIsdnvw05_yMk/edit?usp=sharing Тема 5. Классификация:метрики]<br />
<br />
[https://docs.google.com/presentation/d/1J4VZ7A2wilAO4EReUCgGPFE8YKymOhd5Q0jdcMpXa_w/edit?usp=sharing Тема 5. Классификация:методы]<br />
<br />
<br />
= Домашка = <br />
'''Тема 1. Введение. Что такое Data Science'''<br />
# [https://postnauka.ru/faq/46974 Big Data]<br />
# [https://habr.com/ru/post/401857/ Разница между AI, ML, DL]<br />
# [https://blogs.oracle.com/russia/ai-ml-dl-differ Разница между AI, ML, DL 2] <br />
# [https://habr.com/ru/post/414165/ Курс о Deep Learning на пальцах]<br />
Посмотреть три питоновских ноутбука: <br />
# A quick tour of IPython Notebook<br />
# PythonTutorial<br />
# Reading from a csv (это больше для домашки)</div>imported>АннаВелликок