Тема 1. Дизайн научного исследования. Успешные дизайны современных исследований (на примере SPSS)
Длительность: 2 академических часа
Понятие дизайна исследования. Виды дизайнов исследования. Количественный, качественный и смешанный дизайны исследования. Подходы к дизайну исследования. Стилевой подход. Процессный подход. Конструирование дизайна исследования. Этапы. Структурные компоненты. Дизайны научных исследований по типам научных гипотез. Первичная обработка данных. Средние значения и описательные статистики. Корреляционное исследования. Сравнительный (сопоставительный) анализ. Дисперсионный анализ. Сравнение средних значений. Примеры в интерфейсе SPSS.
Тема 2. Современные тенденции и тренды экономического анализа
Длительность: 2 академических часа
Особенности современного экономического анализа. Методика стратегического анализа.
Тема 3. Современные инструменты финансового анализа
Длительность: 2 академических часа
Традиционные способы и приемы экономического анализа. Финансовые инструменты при оценке деятельности экономических субъектов.
Тема 4. Экономико-математическое моделирование
Длительность: 3 академических часа
Понятие модели в математике и экономике. Особенности экономико-математического моделирования. Общие требования к моделям. Классификация экономико-математических моделей. Свойства моделей. Типы данных при моделировании экономических процессов и явлений. Состав моделей, типы переменных в экономических моделях. Этапы экономико-математического моделирования. Прогнозирование с помощью экономико-математических моделей. Экстраполяция и интерполяция данных. Линия тренда. Прогнозы развития явления в MS EXCEL. Построение линии тренда.
Тема 5. Корреляционный анализ для выявления взаимосвязи между величинами и его проведение средствами Excel
Длительность: 4 академических часа
Виды связей исследуемых признаков. Корреляционная связь как частный случай стохастической связи. Основная задача корреляционного анализа. Оценка наличия и определение силы связи между исследуемыми признаками. Выявление факторов, оказывающих наибольшее влияние на результативный признак. Возможности MS Excel для осуществления корреляционного анализа.
Тема 6. Регрессионный анализ как средство оценки взаимосвязи и моделирования зависимости между переменными. Использование инструментов Excel для его проведения
Длительность: 4 академических часа
Основная задача регрессионного анализа. Метод наименьших квадратов для оценки параметров регрессионной модели. Определение формы связи, выбор и построение модели, установление степени влияния факторов на результативный признак и прогнозирование значений зависимой переменной. Инструменты MS Excel для осуществления регрессионного анализа.
Тема 7. Дисперсионный анализ как средство выявления зависимостей в экспериментальных данных и его реализация с помощью функций Excel
Длительность: 4 академических часа
Задачи дисперсионного анализа. Результативный признак и факторы. Существенность факторов. Предпосылки и границы применения дисперсионного анализа. Разложение общей вариации результативного признака на межгрупповую и внутригрупповую. Реализация процедуры дисперсионного анализа в MS Excel. Интерпретация результатов.
Тема 8. Знакомство с онлайн-средой Google Colaboratory. Представление и визуализация данных на языке Python
Длительность: 4 академических часа
Основные принципы работы с Google Colaboratory. Представление данных моделей в виде последовательностей (Series) и датафреймов (DataFrame). Основные типы графиков в Python.
Тема 9. Модели линейной и полиномиальной регрессий
Длительность: 1 академический час
Назначение линейной и полиномиальной регрессий. Примеры создания и исследования этих регрессионных моделей в Google Colaboratory. Оценка точности моделей.
Тема 10. Модель бинарной логистической регрессии
Длительность: 1 академический час
Назначение бинарной логистической регрессии. Пример создания и исследования этой регрессионной модели в Google Colaboratory. Оценка точности модели.
Тема 11. Модели дерева принятия решений и случайного леса
Длительность: 1 академический час
Назначение модели дерева принятия решений и модели случайного леса. Примеры создания и исследования этих кластерных моделей в Google Colaboratory. Выявление важных признаков в данных для модели случайного леса. Оптимизация данных моделей.
Тема 12. Модель кластерного анализа k-means
Длительность: 1 академический час
Назначение моделей кластеризации. Создание и исследование модели кластерного анализа k-means в Google Colaboratory на примере классификации ирисов Фишера.
Тема 13. Модели факторного и разведочного анализа данных
Длительность: 1 академический час
Назначение моделей факторного и разведочного анализа данных. Примеры создания и исследования этих кластерно-регрессионных моделей в Google Colaboratory.
Тема 14. Модели сверточных нейронных сетей
Длительность: 1 академический час
Сверточные нейронные сети как универсальные классификаторы. Типы слоев нейронной сети. Функции активации нейронов. Метрики обучения нейронной сети. Пример создания и исследования работы сверточной нейронной сети для реализации бинарной классификации.
Тема 15. Оценка точности моделей
Длительность: 3 академических часа
Понятие метрик бинарной классификации. Рассмотрение примера на построение матрицы ошибок (confusion matrix) и вычисление метрик Accuracy, Precision, Recall, F-score и AUC ROC.
Итоговая аттестация
Длительность: 2 академических часа
Итоговая аттестация проводится в форме зачета.
Зачёт осуществляется в форме итоговых испытаний с применением средств электронного обучения.
