Основы работы с данными - История изменений

Denis.surin2011 в 12:01, 22 апреля 2019

2019-04-22T12:01:34Z

← Предыдущая версия		Версия от 12:01, 22 апреля 2019
Строка 105:		Строка 105:

	Способ округления оценки за раздел — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.		Способ округления оценки за раздел — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

	~~[https://docs.google.com/spreadsheets/d/1tp5IbG5ky3xymlCpbE3iNk5DaSAt8W_eVGhVaSLWC5Y/edit#gid=0 Таблица с оценками]~~

	==Полезные материалы==		==Полезные материалы==

Denis.surin2011 в 16:28, 21 апреля 2019

2019-04-21T16:28:15Z

← Предыдущая версия		Версия от 16:28, 21 апреля 2019
Строка 105:		Строка 105:

	Способ округления оценки за раздел — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.		Способ округления оценки за раздел — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

			[https://docs.google.com/spreadsheets/d/1tp5IbG5ky3xymlCpbE3iNk5DaSAt8W_eVGhVaSLWC5Y/edit#gid=0 Таблица с оценками]

	==Полезные материалы==		==Полезные материалы==

Haidaansko в 18:16, 11 апреля 2019

2019-04-11T18:16:31Z

← Предыдущая версия		Версия от 18:16, 11 апреля 2019
Строка 1:		Строка 1:
	==Темы курса==		==Темы курса==
	===Обработка данных, статистика, проверка гипотез===		===Обработка данных, статистика, проверка гипотез===
	~~====~~Тема 1~~====~~		'''Тема 1 '''
	Введение в курс. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «неочевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).		Введение в курс. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «неочевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).
	~~====~~Тема 2~~====~~
	Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).		'''Тема 2 ''' Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).
	~~====~~Тема 3~~====~~
	Тест и расчет эксперимента. Тест на знание основ статистики. Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения.		'''Тема 3 ''' Тест и расчет эксперимента. Тест на знание основ статистики. Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения.
	~~====~~Тема 4~~====~~
	Искажения статистических данных. Основные приемы манипулирования данными (см. книги «Статистика и Котики» и «Как лгать при помощи статистики». Интерактивная игра: найди манипуляцию. Интерактивная игра: «обмани друга».		'''Тема 4 ''' Искажения статистических данных. Основные приемы манипулирования данными (см. книги «Статистика и Котики» и «Как лгать при помощи статистики». Интерактивная игра: найди манипуляцию. Интерактивная игра: «обмани друга».
	~~====~~Тема 5~~====~~
	Теория проведения эксперимента. Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения. Расчет доверительного интервала. Расчет доверительного интервала. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.		'''Тема 5 ''' Теория проведения эксперимента. Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения. Расчет доверительного интервала. Расчет доверительного интервала. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
	~~====~~Тема 6~~====~~
	Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости. A/B тест. Проверка гипотезы на основе А/B теста.		'''Тема 6 ''' Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости. A/B тест. Проверка гипотезы на основе А/B теста.
	~~====~~Тема 7~~====~~
	Программные средства расчета статистик. Тест по итогам пройденной темы. Выполнение расчета статистик в MS Studia ML или RapidMiner. Освоение программных средств для расчета статистических параметров.		'''Тема 7 ''' Программные средства расчета статистик. Тест по итогам пройденной темы. Выполнение расчета статистик в MS Studia ML или RapidMiner. Освоение программных средств для расчета статистических параметров.

	===Основы машинного обучения===		===Основы машинного обучения===
	~~====~~Тема 8~~====~~		'''Тема 8 ''' Основы машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
	Основы машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
	~~====~~Тема 9~~====~~		'''Тема 9 ''' Виды данных, отличие характеристик и целевой функции, пред. обработка данных. Метрики качества, ошибки первого и второго рода. Тест на знание основ ML.
	Виды данных, отличие характеристик и целевой функции, пред. обработка данных. Метрики качества, ошибки первого и второго рода. Тест на знание основ ML.
	~~====~~Тема 10~~====~~		'''Тема 10 ''' Знакомство с MS AZURE. Построение бинарного классификатора.
	Знакомство с MS AZURE. Построение бинарного классификатора.
	~~====~~Тема 11~~====~~		'''Тема 11 ''' Знакомство с MS AZURE. Решение задачи регрессии. Построение модели предсказания.
	Знакомство с MS AZURE. Решение задачи регрессии. Построение модели предсказания.
	~~====~~Тема 12~~====~~		'''Тема 12 ''' Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы).
	Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы).
	~~====~~Тема 13~~====~~		'''Тема 13 ''' Решение задачи поиска аномалий. Поиск аномалий для задачи кредитного скоринга. Решение задачи прогнозирования временного ряда. Прогнозирование временного ряда.
	Решение задачи поиска аномалий. Поиск аномалий для задачи кредитного скоринга. Решение задачи прогнозирования временного ряда. Прогнозирование временного ряда.
	~~====~~Тема 14~~====~~		'''Тема 14 ''' Решение задачи подбора оптимального алгоритма классификации. Подбор оптимального алгоритма для решения задачи классификации. (в формате соревнования, победитель получит дополнительные баллы).
	Решение задачи подбора оптимального алгоритма классификации. Подбор оптимального алгоритма для решения задачи классификации. (в формате соревнования, победитель получит дополнительные баллы).
	~~====~~Тема 15~~====~~		'''Тема 15 ''' Тест по итогам пройденной темы. Подбор оптимальных параметров алгоритма. Подбор оптимальных параметров алгоритма для решения задачи классификации.
	Тест по итогам пройденной темы. Подбор оптимальных параметров алгоритма. Подбор оптимальных параметров алгоритма для решения задачи классификации.
	~~====~~Тема 16~~====~~		'''Тема 16 ''' Дополнительное задание (найти набор данных из отрасли и либо рассчитать достоверность гипотезы, либо построить прогностический алгоритм). Начисление экстра баллов за задание.
	Дополнительное задание (найти набор данных из отрасли и либо рассчитать достоверность гипотезы, либо построить прогностический алгоритм). Начисление экстра баллов за задание.
	===Работа в Power BI и SPSS===		===Работа в Power BI и SPSS===
	~~====~~Тема 17~~====~~		'''Тема 17 ''' Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.
	Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.
	==Проверочные задания ==		==Проверочные задания ==
	===Задание 1. Тест на знание основ статистики===		===Задание 1. Тест на знание основ статистики===

Denis.surin2011 в 20:01, 4 апреля 2019

2019-04-04T20:01:48Z

← Предыдущая версия		Версия от 20:01, 4 апреля 2019
Строка 38:		Строка 38:
	Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.		Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.
	==Проверочные задания ==		==Проверочные задания ==
	===Тест на знание основ статистики===		===Задание 1. Тест на знание основ статистики===
	Тест из 10 вопросов с 2-4 вариантами ответов.		Тест из 10 вопросов с 2-4 вариантами ответов.
	===Проведение эксперимента показывающего случайное распределение===		===Задание 2. Проведение эксперимента показывающего случайное распределение===
	Проведение 100 измерений высоты отскока мяча.		Проведение 100 измерений высоты отскока мяча.
	===Расчет характеристик распределения===		===Задание 3. Расчет характеристик распределения===
	Расчет характеристик гистограммы распределения, построение гистограммы распределения.		Расчет характеристик гистограммы распределения, построение гистограммы распределения.
	===Проведение эксперимента зависимости одной величины от другой===		===Задание 4. Проведение эксперимента зависимости одной величины от другой===
	Проведение 20 измерений высоты отскока мяча от высоты падения.		Проведение 20 измерений высоты отскока мяча от высоты падения.
	===Расчет доверительного интервала===		===Задание 5. Расчет доверительного интервала===
	Расчет доверительного интервала.		Расчет доверительного интервала.
	===Расчет уровня значимости===		===Задание 6. Расчет уровня значимости===
	Проверка истинности гипотезы для p уровня значимости.		Проверка истинности гипотезы для p уровня значимости.
	===A/B тест===		===Задание 7. A/B тест===
	Проверка гипотезы на основе А/B теста.		Проверка гипотезы на основе А/B теста.
	===Тест по итогам пройденной темы===		===Задание 8. Тест по итогам пройденной темы===
	Тест из 10 вопросов с 2-4 вариантами ответов.		Тест из 10 вопросов с 2-4 вариантами ответов.
	===Выполнение расчета статистик в MS Studia ML или RapidMiner===		===Задание 9. Выполнение расчета статистик в MS Studia ML или RapidMiner===
	Освоение программных средств для расчета статистических параметров.		Освоение программных средств для расчета статистических параметров.
	===Тест на знание основ ML===		===Задание 10. Тест на знание основ ML===
	Тест из 10 вопросов по пройденному материалу.		Тест из 10 вопросов по пройденному материалу.
	===Построение бинарного классификатора===		===Задание 11. Построение бинарного классификатора===
	Построение классификатора на основе данных о пассажирах с Титаника.		Построение классификатора на основе данных о пассажирах с Титаника.
	===Решение задачи регрессии===		===Задание 12. Решение задачи регрессии===
	Построение модели предсказания стоимости авто.		Построение модели предсказания стоимости авто.
	===Решение задачи кластеризации===		===Задание 13. Решение задачи кластеризации===
	Кластеризация данных на основе задачи «Ирисы»		Кластеризация данных на основе задачи «Ирисы»
	===Решение задачи прогнозирования временного ряда===		===Задание 14. Решение задачи прогнозирования временного ряда===
	Прогнозирование временного ряда.		Прогнозирование временного ряда.
	===Решение задачи поиска аномалий===		===Задание 15. Решение задачи поиска аномалий===
	Поиск аномалий для задачи кредитного скоринга.		Поиск аномалий для задачи кредитного скоринга.
	===Решение задачи подбора оптимального алгоритма классификации===		===Задание 16. Решение задачи подбора оптимального алгоритма классификации===
	Подбор оптимального алгоритма для решения задачи классификации.		Подбор оптимального алгоритма для решения задачи классификации.
	===Тест по итогам пройденной темы===		===Задание 17. Тест по итогам пройденной темы===
	Тест из 10 вопросов по пройденному материалу.		Тест из 10 вопросов по пройденному материалу.
	===Подбор оптимальных параметров алгоритма===		===Задание 18. Подбор оптимальных параметров алгоритма===
	Подбор оптимальных параметров алгоритма для решения задачи классификации.		Подбор оптимальных параметров алгоритма для решения задачи классификации.

			==Критерии оценивания==
			Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
			При оценивании заданий преподаватель опирается на следующие критерии:
			===Раздел 1 (задания с 1 по 9)===
			====Задания 1,8====
			*Количество правильных ответов
			====Задание 2–7, 9====
			*Факт выполнения
			*Правильность расчета
			*Понимание производимых действий
			===Раздел 2 (задания с 10 по 18)===
			====Задания 10, 17====
			*Количество правильных ответов
			====Задание 11–16, 18====
			*Факт выполнения
			*Правильность расчета
			*Понимание производимых действий

	====Итоговая оценка за курс====		===Итоговая оценка за курс===

	Итоговая оценка за курс расчитывается по следующей формуле:		Итоговая оценка за курс расчитывается по следующей формуле:

Denis.surin2011 в 19:41, 4 апреля 2019

2019-04-04T19:41:50Z

← Предыдущая версия		Версия от 19:41, 4 апреля 2019
Строка 39:		Строка 39:
	==Проверочные задания ==		==Проверочные задания ==
	===Тест на знание основ статистики===		===Тест на знание основ статистики===
	Тест из 10 вопросов ~~по пройденному материалу~~.		Тест из 10 вопросов с 2-4 вариантами ответов.
	===Проведение эксперимента показывающего случайное распределение===		===Проведение эксперимента показывающего случайное распределение===
	Проведение ~~эксперимента включающего минимум~~ 100 измерений.		Проведение 100 измерений высоты отскока мяча.
	===Расчет характеристик распределения===		===Расчет характеристик распределения===
	Расчет ~~основных параметров~~ гистограммы.		Расчет характеристик гистограммы распределения, построение гистограммы распределения.
	===Проведение эксперимента зависимости одной величины от другой===		===Проведение эксперимента зависимости одной величины от другой===
	Проведение ~~эксперимента включающего минимум 100~~ измерений.		Проведение 20 измерений высоты отскока мяча от высоты падения.
	===Расчет доверительного интервала===		===Расчет доверительного интервала===
	Расчет доверительного интервала.		Расчет доверительного интервала.
	===Расчет уровня значимости===		===Расчет уровня значимости===
	~~Расчет~~ уровня значимости		Проверка истинности гипотезы для p уровня значимости.
	===A/B тест===		===A/B тест===
	~~Проведение A~~/B ~~тестирования~~.		Проверка гипотезы на основе А/B теста.
	===Тест по итогам пройденной темы===		===Тест по итогам пройденной темы===
	Тест из 10 вопросов с 2-4 вариантами ответов.		Тест из 10 вопросов с 2-4 вариантами ответов.
	===Выполнение расчета статистик в MS Studia ML===		===Выполнение расчета статистик в MS Studia ML или RapidMiner===
	~~Факт выполнения расчета с использованием~~ программных средств.		Освоение программных средств для расчета статистических параметров.
	===Тест на знание основ ML===		===Тест на знание основ ML===
	Тест из 10 вопросов по пройденному материалу.		Тест из 10 вопросов по пройденному материалу.
	===Построение бинарного классификатора===		===Построение бинарного классификатора===
	~~Наличие работающего прототипа~~.		Построение классификатора на основе данных о пассажирах с Титаника.
	===Решение задачи регрессии===		===Решение задачи регрессии===
	~~Наличие работающего прототипа~~.		Построение модели предсказания стоимости авто.
	===Решение задачи кластеризации===		===Решение задачи кластеризации===
	~~Наличие работающего прототипа.~~		Кластеризация данных на основе задачи «Ирисы»
	===Решение задачи прогнозирования временного ряда===		===Решение задачи прогнозирования временного ряда===
	~~Наличие работающего прототипа~~.		Прогнозирование временного ряда.
	===Решение задачи ~~визуализации данных в MS Power BI~~===		===Решение задачи поиска аномалий===
	~~Наличие работающего прототипа~~.		Поиск аномалий для задачи кредитного скоринга.
	===Решение задачи подбора оптимального алгоритма классификации===		===Решение задачи подбора оптимального алгоритма классификации===
	~~Наличие работающего прототипа~~.		Подбор оптимального алгоритма для решения задачи классификации.
	===Тест по итогам пройденной темы===		===Тест по итогам пройденной темы===
	Тест из 10 вопросов ~~с 2-4 вариантами ответов~~.		Тест из 10 вопросов по пройденному материалу.
	===Подбор оптимальных параметров алгоритма===		===Подбор оптимальных параметров алгоритма===
	~~Наличие работающего прототипа~~.		Подбор оптимальных параметров алгоритма для решения задачи классификации.

Denis.surin2011 в 19:34, 4 апреля 2019

2019-04-04T19:34:06Z

@@ Строка 37: / Строка 37: @@
 ====Тема 17====
 Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.
-==== Домашние задания ====
+==Проверочные задания ==
 ====Итоговая оценка за курс====

Denis.surin2011 в 22:46, 3 апреля 2019

2019-04-03T22:46:20Z

← Предыдущая версия		Версия от 22:46, 3 апреля 2019
Строка 13:		Строка 13:
	====Тема 6====		====Тема 6====
	Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости. A/B тест. Проверка гипотезы на основе А/B теста.		Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости. A/B тест. Проверка гипотезы на основе А/B теста.

	====Тема 7====		====Тема 7====
	Программные средства расчета статистик. Тест по итогам пройденной темы. Выполнение расчета статистик в MS Studia ML или RapidMiner. Освоение программных средств для расчета статистических параметров.		Программные средства расчета статистик. Тест по итогам пройденной темы. Выполнение расчета статистик в MS Studia ML или RapidMiner. Освоение программных средств для расчета статистических параметров.
Строка 19:		Строка 18:
	====Тема 8====		====Тема 8====
	Основы машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).		Основы машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).

	====Тема 9====		====Тема 9====
	Виды данных, отличие характеристик и целевой функции, пред. обработка данных. Метрики качества, ошибки первого и второго рода. Тест на знание основ ML.		Виды данных, отличие характеристик и целевой функции, пред. обработка данных. Метрики качества, ошибки первого и второго рода. Тест на знание основ ML.

	====Тема 10====		====Тема 10====
	Знакомство с MS AZURE. Построение бинарного классификатора.		Знакомство с MS AZURE. Построение бинарного классификатора.

	====Тема 11====		====Тема 11====
	Знакомство с MS AZURE. Решение задачи регрессии. Построение модели предсказания.		Знакомство с MS AZURE. Решение задачи регрессии. Построение модели предсказания.

	====Тема 12====		====Тема 12====
	Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы).		Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы).


	====Тема 13====		====Тема 13====
	Решение задачи поиска аномалий. Поиск аномалий для задачи кредитного скоринга. Решение задачи прогнозирования временного ряда. Прогнозирование временного ряда.		Решение задачи поиска аномалий. Поиск аномалий для задачи кредитного скоринга. Решение задачи прогнозирования временного ряда. Прогнозирование временного ряда.

	====Тема 14====		====Тема 14====
	Решение задачи подбора оптимального алгоритма классификации. Подбор оптимального алгоритма для решения задачи классификации. (в формате соревнования, победитель получит дополнительные баллы).		Решение задачи подбора оптимального алгоритма классификации. Подбор оптимального алгоритма для решения задачи классификации. (в формате соревнования, победитель получит дополнительные баллы).

	====Тема 15====		====Тема 15====
	Тест по итогам пройденной темы. Подбор оптимальных параметров алгоритма. Подбор оптимальных параметров алгоритма для решения задачи классификации.		Тест по итогам пройденной темы. Подбор оптимальных параметров алгоритма. Подбор оптимальных параметров алгоритма для решения задачи классификации.

	====Тема 16====		====Тема 16====
	Дополнительное задание (найти набор данных из отрасли и либо рассчитать достоверность гипотезы, либо построить прогностический алгоритм). Начисление экстра баллов за задание.		Дополнительное задание (найти набор данных из отрасли и либо рассчитать достоверность гипотезы, либо построить прогностический алгоритм). Начисление экстра баллов за задание.

	===Работа в Power BI и SPSS===		===Работа в Power BI и SPSS===
	====Тема 17====		====Тема 17====
	Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.		Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.


	==== Домашние задания ====		==== Домашние задания ====

Denis.surin2011 в 22:44, 3 апреля 2019

2019-04-03T22:44:27Z

← Предыдущая версия		Версия от 22:44, 3 апреля 2019
Строка 1:		Строка 1:
	== ~~О курсе~~ ==		==Темы курса==
			===Обработка данных, статистика, проверка гипотез===
			====Тема 1====
			Введение в курс. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «неочевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).
			====Тема 2====
			Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).
			====Тема 3====
			Тест и расчет эксперимента. Тест на знание основ статистики. Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения.
			====Тема 4====
			Искажения статистических данных. Основные приемы манипулирования данными (см. книги «Статистика и Котики» и «Как лгать при помощи статистики». Интерактивная игра: найди манипуляцию. Интерактивная игра: «обмани друга».
			====Тема 5====
			Теория проведения эксперимента. Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения. Расчет доверительного интервала. Расчет доверительного интервала. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
			====Тема 6====
			Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости. A/B тест. Проверка гипотезы на основе А/B теста.

			====Тема 7====
			Программные средства расчета статистик. Тест по итогам пройденной темы. Выполнение расчета статистик в MS Studia ML или RapidMiner. Освоение программных средств для расчета статистических параметров.
			===Основы машинного обучения===
			====Тема 8====
			Основы машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).

			====Тема 9====
			Виды данных, отличие характеристик и целевой функции, пред. обработка данных. Метрики качества, ошибки первого и второго рода. Тест на знание основ ML.

			====Тема 10====
			Знакомство с MS AZURE. Построение бинарного классификатора.

			====Тема 11====
			Знакомство с MS AZURE. Решение задачи регрессии. Построение модели предсказания.

			====Тема 12====
			Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы).


			====Тема 13====
			Решение задачи поиска аномалий. Поиск аномалий для задачи кредитного скоринга. Решение задачи прогнозирования временного ряда. Прогнозирование временного ряда.

			====Тема 14====
			Решение задачи подбора оптимального алгоритма классификации. Подбор оптимального алгоритма для решения задачи классификации. (в формате соревнования, победитель получит дополнительные баллы).

			====Тема 15====
			Тест по итогам пройденной темы. Подбор оптимальных параметров алгоритма. Подбор оптимальных параметров алгоритма для решения задачи классификации.

			====Тема 16====
			Дополнительное задание (найти набор данных из отрасли и либо рассчитать достоверность гипотезы, либо построить прогностический алгоритм). Начисление экстра баллов за задание.

			===Работа в Power BI и SPSS===
			====Тема 17====
			Что такое BI и как это используется в медиа. Как правильно собирать данные для бизнес анализа, как определить бизнес-метрики. Как поставить задачу для сбора данных: введение в базы данных. Тезаурус бизнес-аналитика: от аффинити до конверсий. Инструменты, которые используются для BI: GA, Tableu, Power BI. Визуализация бизнес дата-сета.


	==== Домашние задания ====		==== Домашние задания ====

Denis.surin2011: Новая страница: «== О курсе == ==== Домашние задания ==== ====Итоговая оценка за курс==== Итоговая оценка за курс…»

2019-04-03T22:12:30Z

Новая страница: «== О курсе == ==== Домашние задания ==== ====Итоговая оценка за курс==== Итоговая оценка за курс…»

Новая страница

== О курсе ==

==== Домашние задания ====

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oп + 0.45 * ОРаздел 1 + 0.45 * ОРаздел 2, где

*Oп - оценка за посещаемость
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18

Способ округления оценки за раздел — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

#Статистика и котики»: АСТ; Москва; 2018
# [https://www.coursera.org/learn/stats-for-data-analysis Курс «Построение выводов по данным»]
# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Петер Фалех.
#Искусственный интеллект. Современный подход.Стюарт Рассел, Питер Норвиг.
#Математические основы машинного обучения и прогнозирования. Владимир Вьюгин.
#The Elements of Statistical Learning. The Elements of Statistical Learning. 2003
#NTRODUCTION TO MACHINE LEARNING. Nils J. Nilsson. 1998
#I Heart Logs: Event Data, Stream Processing, and Data Integration. Jay Kreps. 2014
# https://studio.azureml.net
#https://www.gnu.org/software/pspp/
#https://docs.microsoft.com/ru-ru/power-bi/guided-learning/