https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2019ПМСАР-2 2019 - История изменений2026-06-06T12:15:05ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://www.wikicshse.ru/index.php?title=%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2019&diff=1850&oldid=previmported>Upravitelev: Новая страница: «==О курсе== '''Преподаватель:''' Управителев Филипп Александрович, [mailto:upravitelev@gmail.com e-mail] '''А…»2019-09-01T16:57:51Z<p>Новая страница: «==О курсе== '''Преподаватель:''' Управителев Филипп Александрович, [mailto:upravitelev@gmail.com e-mail] '''А…»</p>
<p><b>Новая страница</b></p><div>==О курсе==<br />
<br />
'''Преподаватель:''' Управителев Филипп Александрович, [mailto:upravitelev@gmail.com e-mail]<br />
<br />
'''Аннотация курса:''' Курс “Методы анализа больших данных в исследованиях поведения покупателей” предназначен для магистрантов второго года обучения и продолжает идеи и практики курса “Автоматизированный сбор больших данных в экономико-социологических исследованиях”. В курсе рассматриваются основные задачи продуктовой аналитики в IT-сфере, использующие идеи и методы больших данных. Слушатели курса ознакомятся с основными ролями и компетенциями аналитиков в IT-компаниях, научатся отвечать с помощью данных на ключевые бизнес-вопросы, стоящие перед аналитиками. Также слушатели познакомятся с возможностями применения методов машинного обучения для повышения ценности продукта - сегментации пользователей по их платежному поведению, прогнозирование оттока, прогностическая оценка окупаемости рекламных кампаний и т.д.<br />
<br />
'''Программа курса:'''<br />
https://www.hse.ru/ma/msa/courses/219871979.html<br />
<br />
== Правила выставления оценок ==<br />
<br />
Итоговая оценка по дисциплине складывается из накопленных оценок за домашние задания и контрольные работы. В ходе курса студенты могут получить в сумме 40 баллов за домашние задания и контрольные работы (по 10 за каждое)<br />
<br />
Для получения оценки по 10-ти балльной шкале сумма набранных баллов делится на 4 и округляется вверх, в пользу студента.<br />
В случае, если домашнее задание сдано позже установленного срока (но не более чем на 7 дней), оценка снижается на 1 балл. В более поздние сроки задания не принимаются. Текущие домашние задания выдаются и принимаются по мере прохождения программы, последнее домашнее задание принимается не позднее, чем за неделю до начала сессии второго модуля. <br />
<br />
Оценки за курс выставляются в течение сессии второго модуля.<br />
<br />
==Каналы взаимодействия со студентами==<br />
Все взаимодействие со студентами происходит в слаке https://pmsar2018da.slack.com, также в этом слаке предоставляются все материалы курса (презентации лекций, материалы к практическим занятиям, тексты статей или ссылки на онлайн-материалы).<br />
<br />
==Литература и интернет-ресурсы==<br />
* Borgelt, C. (2003, November). Efficient implementations of apriori and eclat. In FIMI’03: Proceedings of the IEEE ICDM workshop on frequent itemset mining implementations. https://www.researchgate.net/profile/Christian_Borgelt/publication/2873406_Efficient_Implementations_of_Apriori_and_Eclat/links/0deec5176acf1ee4cd000000.pdf<br />
* Chen, D., Sain, S. L., & Guo, K. (2012). Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining. Journal of Database Marketing & Customer Strategy Management, 19(3), 197-208. https://link.springer.com/article/10.1057/dbm.2012.17<br />
* Churn Analysis – Part 1: Model Selection http://www.blog.rdata.lu/post/2018-01-04-churn-analysis/<br />
* Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning (Vol. 1, pp. 241-249). New York: Springer series in statistics. С. 119-127<br />
* James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: Springer. С. 302-332<br />
* James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: Springer. С. 59-92<br />
* Milborrow, S. (2016). Plotting rpart trees with the rpart. plot package. http://www.milbo.org/doc/prp.pdf<br />
* Therneau, T. M., & Atkinson, E. J. (1997). An introduction to recursive partitioning using the RPART routines. https://cran.r-project.org/web/packages/rpart/vignettes/longintro.pdf<br />
* Ultimate Guide to Unit Economics https://www.cleverism.com/ultimate-guide-unit-economics/<br />
* Wadsworth, E. (2012). Buy’Til You Die-A Walkthrough. https://cran.r-project.org/web/packages/BTYD/vignettes/BTYD-walkthrough.pdf<br />
* Ассоциативные правила, или пиво с подгузниками https://habr.com/company/ods/blog/353502/<br />
* Открытый курс машинного обучения. Тема 3. Классификация, деревья решений и метод ближайших соседей https://habrahabr.ru/company/ods/blog/322534/<br />
* Открытый курс машинного обучения. Тема 6. Построение и отбор признаков https://habrahabr.ru/company/ods/blog/325422/</div>imported>Upravitelev