Кафедра высшей математики

АБB
АБB
АБB

Обычная версия сайта

О кафедре

Общеуниверситетская кафедра Высшей математики создана «в целях совершенствования учебного процесса и математической подготовки в ВШЭ, придания ей необходимой направленности по уровням и специальностям профессиональной подготовки бакалавров и специалистов» на основании решения Ученого совета от 23.07.1999 г., протокол №3 утвержденного приказом Ректора от 06.08.1999 г., №344.

Публикации

Книга

Качество приема как зеркало развития высшего образования: итоги 2025 года и долгосрочные тренды. Современная аналитика образования №3 (95)

Кузьминов Я. И., Кручинская Е. В., Габдрахманов Н. К. и др.

Вып. 3 (95): КАЧЕСТВО ПРИЕМА КАК ЗЕРКАЛО РАЗВИТИЯ ВЫСШЕГО ОБРАЗОВАНИЯ: ИТОГИ 2025 ГОДА И ДОЛГОСРОЧНЫЕ ТРЕНДЫ. М.: НИУ ВШЭ, Институт образования, 2026.

Статья

Artificial Intelligence. Law. Industries

Bogdanovskaya I., Volos A., N.A. Danilov et al.

Legal Issues in the Digital Age. 2026. Vol. 7. No. 2. P. 113-135.

Глава в книге

VIA AI: Reliable Deep Reinforcement Learning for Traffic Signal Control

Герасёв М. С., Kiselev D., Beketov M. et al.

In bk.: 2024 IEEE International Conference on Data Mining (ICDM) Workshops (ICDMW). Curran Associates, 2024. P. 887-890.

Препринт

On conditions for Dobrushin's Central limit theorem for non-homogeneous Markov chains
В печати

Веретенников А. Ю., Нуриева А. И.

60F05. 60F05. arXiv, 2025

Все публикации

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Кто читает:: Кафедра высшей математики (Общеуниверситетские кафедры)

Статус:: Курс обязательный

Когда читается:: 2-й курс, 4 модуль

Преподаватель

Тамбовцева Алла Андреевна

Дополнительные материалы в LMS Задать вопрос

Аннотация

Для образовательной программы дисциплина «Анализ данных на Python» является обязательной. Дисциплина подразделяется на три блока. Первый блок посвящен работе с основными структурами данных в Python, таких как списки, кортежи, словари и массивы. Второй блок посвящен обработке и визуализации данных с помощью библиотек NumpPy, Pandas, Matplotlib и Scipy. Третий блок посвящен решению прикладных задач в Python и включает темы, связанные со сбором и анализом данных: работа с API, обработка JSON и HTML, применение статистических критериев и построение моделей линейной и логистической регрессии.

Цель освоения дисциплины

Использовать средства отладки современных систем программирования; реализовать алгоритм на языке Python, используя наиболее подходящие конструкции и структуры данных.
Освоить базовые инструменты анализа и визуализации данных в Python

Планируемые результаты обучения

уметь применять методы на индексируемых структурах данных Python;
уметь выполнять операции на массивах NumPy
уметь вычислять и интерпретировать числовые характеристики выборки
уметь загружать и обрабатывать данные с помощью библиотеки pandas
уметь выполнять предварительную обработку текста и строить облака слов
уметь выполнять сериализацию и десериализацию JSON в Python
уметь выполнять парсинг HTML c помощью bs4, уметь выполнять поиск по тэгам и атрибутам
уметь строить и интерпретировать графики для визуализации качественных и количественных данных
уметь осуществлять проверку статистических гипотез о доли и среднем с помощью модуля stats и интерпретировать полученные результаты
уметь строить доверительные интервалы для доли и среднего с помощью модуля stats и интерпретировать полученные результаты
уметь выявлять связи в количественных данных с помощью библиотеки pandas и модуля stats
уметь реализовывать иерархический кластерный анализ в Python и интерпретировать полученные результаты
уметь строить модели линейной регрессии с помощью библиотеки statsmodels и интерпретировать полученные результаты

Содержание учебной дисциплины

Раздел 1. Индексируемые структуры данных
Раздел 2. Массивы NumPy и операции на массивах
Раздел 3. Датафреймы Pandas и операции на датафреймах.
Раздел 4. Обработка текстовых данных
Раздел 5. Сбор данных: работа с API
Раздел 6. Сбор данных: парсинг HTML
Раздел 7. Визуализация данных
Раздел 8. Иерархический кластерный анализ
Раздел 9. Доверительное оценивание и статистические тесты
Раздел 10. Линейная регрессия

Элементы контроля

ДЗ1
Мини-проект, посвященный анализу данных с помощью библиотек NumPy и Pandas, а также визуализации текстов с помощью облаков слов. Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов: опоздание в пределах часа – штраф 10% от полученной оценки, в пределах суток – штраф 30%. Домашние задания, сданные позже, не принимаются и не оцениваются.
ДЗ2
Мини-проект, включающий три части: парсинг HTML-страницы с помощью средств BeautifulSoup, обработка полученных данных с помощью pandas, визуализация и кластеризация данных. Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов: опоздание в пределах часа – штраф 10% от полученной оценки, в пределах суток – штраф 30%. Домашние задания, сданные позже, не принимаются и не оцениваются.
ДЗ3
Мини-проект, посвященный статистическому оцениванию и построению моделей линейной регрессии в Python. Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов: опоздание в пределах часа – штраф 10% от полученной оценки, в пределах суток – штраф 30%. Домашние задания, сданные позже, не принимаются и не оцениваются.
Laboratory work
Лабораторные работы: небольшие домашние задания, обязательные к выполнению к следующему занятию. Могут включать задачи на закрепление пройденного материала или задачи, предполагающие самостоятельное изучение небольших блоков по основам Python по предложенных материалам (конспекты или видео). Оценка за лабораторные работы – неокругленное среднее арифметическое, посчитанное по всем работам. Поздняя сдача лабораторных работ не предусмотрена.

Промежуточная аттестация

2023/2024 4th module
0.2 * ДЗ1 + 0.15 * ДЗ3 + 0.25 * ДЗ2 + 0.4 * Laboratory work

Список литературы

Авторы

Тамбовцева Алла Андреевна
Дорджиева Роксана Викторовна

Анализ данных на Python