Анализ данных и машинное обучение

Цели и задачи дисциплины

Цель преподавания дисциплины – освоение основных понятий и методов анализа данных и машинного обучения, развитие способности эффективно анализировать, визуализировать и интерпретировать данные, разрабатывать и применять алгоритмы машинного обучения для решения прикладных задач в различных областях. Задачи изучения и преподавания дисциплины: - ознакомить с основными концепциями и принципами анализа данных и машинного обучения; - изучить методы предварительной обработки данных, включая очистку, нормализацию, преобразование и отбор признаков; - ознакомить с различными методами машинного обучения, такими как регрессия, классификация, кластеризация и другие; - исследовать основные алгоритмы машинного обучения, включая деревья принятия решений, метод k-ближайших соседей, линейную регрессию, логистическую регрессию, метод опорных векторов, случайные леса, метод бустинга, метод главных компонент, кластеризацию методом k-средних и другие; - изучить методы оценки и выбора моделей машинного обучения, включая кросс-валидацию, регуляризацию и выбор оптимальных гиперпараметров; - освоить инструменты и библиотеки для анализа данных и машинного обучения, такие как TensorFlow, Roboflow, Python, Pandas, Matplotlib, Seaborn, Plotly, Scikit-Learn, Keras и другие; - сформировать и развить практические навыки применения полученных знаний и умений для решения реальных задач анализа данных и машинного обучения; - сформировать и развить практические навыки представления и интерпретации результатов анализа данных и машинного обучения.

Краткое содержание дисциплины

Необходимость изучения дисциплины «Анализ данных и машинное обучение» обусловлена высокой степенью ее актуальности. Приобретение знаний в области анализа данных и машинного обучения позволит будущим бакалаврам интенсифицировать и повысить качество обучения на всех ступенях системы образования, развить навыки работы в команде, критического мышления, презентационные навыки, умение самостоятельно обучаться и следить за последними тенденциями в Data-науках. Дисциплина «Анализ данных и машинное обучение» нацелена на формирование у студентов практических навыков использования алгоритмов машинного обучения для решения профессиональных задач. Основные разделы, рассматриваемые в ходе изучения курса: Раздел 1. Введение в анализ данных. Раздел 2. Основы машинного обучения. Раздел 3. Продвинутое машинное обучение. Раздел 4. Машинное обучение для больших объемов данных.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-2 Способен выполнять работы по проектированию, созданию (модификации) и внедрению информационных систем, автоматизирующих задачи организационного управления и бизнес-процессы
ПК-6 Способен использовать математический аппарат и инструментальные средства для обработки, анализа и систематизации информации в проектно-аналитической и исследовательской деятельности
ПК-9 Способен осуществлять взаимодействие с заинтересованными сторонами в процессе управления информационными системами на всех стадиях жизненного цикла