Студенту

1.

Современные методы программирования

1.1

Динамические языки программирования

1.2

Переменные и объекты

1.3

Последовательности и итераторы

1.4

Отображения и множества, классы, модульность и контекст

2.

Введение в анализ данных и машинное обучение

2.1

Одномерный и многомерный анализ, конструирование признаков

2.2

Распределенная обработка данных, язык SQL, платформа ApacheSpark

2.3

Основы машинного обучения, искусственные нейронные сети, метод опорных векторов, фреймворк TensorFlow/Keras

2.4

Деревья решений, случайный лес, градиентный бустинг, обработка графовых моделей, язык R

3.

Семантические модели данных

3.1

Архитектура деятельности и модель коммуникаций. Информационная архитектура. Этапы создания семантической модели. Концептуальное моделирование и моделирование процессов деятельности

3.2

Стратегии управления и информационные модели. Новая архитектура бизнеса: воздействия ИТ, коммуникации и трансакционные издержки. Модели трансакций с отражением внешних участников. Граф знания и онтология. Тестовое представление деятельности для создания онтологии

3.3

Создание онтологии взаимодействия. Инструменты этапа «Коммуникация» и интерфейсы взаимодействий. Шаблоны моделей данных. Создание семантического пространства. Идентификаторы и пространство имен как часть семантики.

3.4

Взаимодействие компонент: язык обмена и модели взаимодействия. Создание форматов обмена данными на основе объединенной онтологии.

4.

Методы машинного обучения в анализе статистических, административных и больших потоковых данных

4.1

Методы статистики и машинного обучения на этапах восходящей аналитики.

Система методов машинного обучения для целей интеллектуального анализа данных (Data mining). Предварительный анализ и обработка массивов данных с применением традиционных статистических методов и методов машинного обучения: методы описательной статистики, заполнения пропущенных значений, работы с аномальными статистическими единицами, c применением пакетов R и STATISTICA.

4.2

Методы машинного обучения и визуализации данных в траекториях статистического исследования. Методы агрегирования микроданных (с применением пакета R «Statmatch»). Методы обработки, анализа и прогнозирования больших потоковых данных.

4.3

Машинное обучение «без учителя»: методы кластерного и бикластерного анализа. Задачи классификации и регрессии в методах машинного обучения. Методы машинного обучения «с учителем» на этапах прогнозной, предсказательной и когнитивной аналитики: дискриминантный анализ, метод главных компонент, построение и анализ нейронных сетей.

4.4

Методы пространственно-динамического моделирования и анализа в R. 

5.

Современные методы эконометрических исследований

5.1

Модели с коррелирующими факторами

5.2

Модели с лаговыми зависимыми переменными

5.3

Системы взаимозависимых эконометрических моделей

5.4

Модели с дискретными зависимыми переменными

6

Технологии и инструменты регионального и муниципального управления

6.1

Диагностика социально-экономического развития территории как основа для управленческих решений.

6.2

Субъекты регионального и муниципального управления: полномочия и роль в развитии территорий.

6.3

Налогово-бюджетные инструменты территориального управления.

6.4

Особенности и инструментарий федерального регулирования территориального развития. Технологии привлечения инвесторов в регионы и муниципалитеты.