Data Science негіздері

Сипаттама: Пән деректер ғылымының негізгі ұғымдары мен деректермен жұмыс істеудің негізгі кезеңдері туралы базалық түсінік қалыптастырады: деректерді жинау, алдын ала өңдеу, талдау, визуализациялау және нәтижелерді интерпретациялау. Python тілін деректерді талдау үшін қолданудың негіздері, Jupyter Notebook ортасында жұмыс істеу, NumPy, pandas, matplotlib, seaborn кітапханалары, сондай-ақ статистикалық талдау мен машиналық оқытудың бастапқы әдістері қарастырылады. Студенттер деректер жиынтықтарын дайындау және талдау, визуализация құру, заңдылықтарды анықтау және машиналық оқыту модельдерін құруға деректерді дайындау дағдыларын меңгереді.

Кредиттер саны: 6

Пререквизиты:

• Ақпараттық-коммуникациялық технологиялар
• Ақпараттық-коммуникациялық технологиялар (ағылшын тілінде)

Пәннің еңбек сыйымдылығы:

Жұмыс түрлері	сағат
Дәрістер	15
Практикалық жұмыстар	45
Зертханалық жұмыстар
СӨЖО	30
СӨЖ	90
Қорытынды бақылау нысаны	емтихан
Қорытынды бақылауды жүргізу нысаны

Компонент: Таңдау бойынша компонент

Цикл: Базалық пәндер

Мақсат

• Білім алушыларда Data Science саласы бойынша базалық құзыреттерді қалыптастыру: деректердің өмірлік циклін, оларды талдау әдістерін түсіну және қолданбалы міндеттерді шешуде DS құралдарын қолдану.

Міндет

• Data Science үдерісінің негізгі ұғымдары мен кезеңдерін зерделеу;
• деректерді жинау, тазалау және алдын ала өңдеу әдістерін меңгеру;
• деректерді барлау және статистикалық талдау негіздерін игеру;
• машиналық оқытудың базалық әдістерін (жіктеу, регрессия) үйрену;
• Python және DS кітапханаларын деректерді талдау, визуализациялау және модельдеуге дайындау үшін қолдану.

Оқыту нәтижесі: білу және түсіну

• тиісті ғылыми зерттеулер бойынша қорытындыларды қалыптастыру үшін қажетті заманауи ғылыми зерттеулердің деректерін жинау, өңдеу және түсіндіру процестерін түсіну

Оқыту нәтижесі: білім мен ұғымды қолдану

• Нақты деректер жиынтықтарында деректерді тазалау және өңдеу әдістерін қолданады.
• Негізгі регрессия және классификация модельдерін құрады.
• Деректерді визуализациялап, талдау нәтижелерін көрсетеді.

Оқыту нәтижесі: талқылай білуді қалыптастыру

• Модель нәтижелерін талдайды және дәлдігін бағалайды.
• Статистикалық тесттер мен визуализацияларға сүйене отырып қорытынды жасайды.
• Белгілі бір тапсырма үшін деректерді өңдеудің дұрыс әдістерін анықтайды.

Оқыту нәтижесі: коммуникативтік қабілеттіліктер

• Оқушылардың коммуникативтік қабілеттерін дамыту және жетілдіру.
• Практикалық шешімдер қабылдау процесін қолдау үшін саясаттану әдістерін қолдана отырып, саясат саласындағы құбылыстар мен процестерді қолданбалы талдау бойынша конструктивті диалогқа қатысу дағдыларын дамыту.

Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі

• Ғылыми-зерттеу жұмыстарын орындау үшін жасанды интеллект жүйесі саласында дағдыларды қалыптастыру
• Білім қоғамын құру мүддесі үшін академиялық және кәсіби контексттерде технологиялық, әлеуметтік немесе мәдени дамуға үлес қосу мүмкіндігі
• Тиісті ғылыми зерттеулер бойынша қорытындыларды қалыптастыру үшін қажетті заманауи ғылыми зерттеулердің деректерін жинау, өңдеу және түсіндіру мүмкіндігі

Негізгі әдебиет

• Миркин Б. Г. Введение в анализ данных. — М.: Юрайт. 2020. 175 с.
• Нархид Н. Apache Kafka. Потоковая обработка и анализ данных / Н. Нархид. — СПб.: Питер, 2019. — 320 c.
• Макшанов А.В. Технологии интеллектуального анализа данных. — М.: Лань. 2019. 212 с.
• Чашкин, Ю.Р. Математическая статистика. Анализ и обработка данных: Учебное пособие / Ю.Р. Чашкин; Под ред. С.Н. Смоленский. — Рн/Д: Феникс, 2021. — 236 c.
• Дэви Силен, Арно Мейсман, Мохамед Али, Основы Data Science и Big Data. Python и наука о данных. — СПб.: Питер, 2021. — 336 с
• Юре Лесковец, Ананд Раджараман, Джеффри Д. Ульман, Анализ больших наборов данных. — М.: ДМК Пресс, 2021. — 498 с.)

Қосымша әдебиеттер

• Рафалович В. Data mining, или интеллектуальный анализ данных для занятых. Практический курс / В. Рафалович. — М.: SmartBook, 2018. — 352 c.
• Форман Дж. Много цифр: Анализ больших данных при помощи Excel / Дж. Форман. — М.: Альпина Паблишер, 2019. — 461 c.