Методические указания по контактной и самостоятельной работе направления подготовки
Методические рекомендации по подготовке к экзамену
жүктеу/скачать 73,04 Kb.
|
Методические рекомендации по подготовке к экзамену.Вопросы к экзамену 1 Понятие «Большие данные». Роль цифровой информации в 21 веке. 2 Виды массивов данных. 3 Базовые принципы обработки больших данных. 4 Технологии обработки больших данных: NoSQL, MapReduce, Hadoop, R. 5 Технологии Business Intelligence и реляционные системы управления базами данных. 6 Прогнозирование и предвидение: общее и особенное. 7 Виды прогнозов. 8 Общие методы анализа социально-политических и медиа процессов. 9 Специальные методы анализа социально-политических и медиа процессов. 10 Предварительный анализ данных. 11 Проверка гипотез о законе распределения случайной величины. 12 Статистические оценки параметров. Доверительные области. 13 Теория моментов. 14 Корреляционный анализ. 15 Использование модели множественной линейной регрессии для прогнозирования экономических показателей. 16 Доверительные интервалы для зависимой переменной. 17 Сглаживание временных рядов. 18 Динамические модели с распределенными лагами. 19 Стационарные временные ряды. 20 Тестирование стационарности. 21 Коинтеграция. 22 Анализ временных рядов. 23 Адаптивные и мультипликативные методы прогнозирования. 24 Экспоненциальное сглаживание. 25 Авторегрессионные модели. 26 Модели скользящего среднего. 27 Интегрированные процессы. 28 Идентификация авторегрессионной модели скользящего среднего. 29 Прогнозирование с моделями временных рядов. 30 Доверительные интервалы прогноза. 31 Предсказание и прогнозирование социально-экономических прогнозов. 32 Дисперсионный анализ влияния качественных факторов. 33 Ранговые методы. 34 Факторный анализ. Метод главных факторов. 35 Многомерное шкалирование. 36 Классическая модель многомерного шкалирования. 37 Неметрические методы. 38 Кластерный анализ. 39 Дискриминантный анализ. 40 Многомерный статистический анализ. 41 Определение больших данных, ключевые характеристики. Основные виды данных. 42 Роль аналитика по данным (Data Scientist). Ключевые компетенции аналитика. 43 Отличия BI от Data Science. 44 Корреляция и регрессионный анализ. Коэффициент корреляции. 45 Графическое представление. Постановка задачи регрессионного анализа. 46 Линейная регрессия. Метод наименьших квадратов. Привести примеры использования регрессионного анализа. 47 Классификация. Признаковое описание объекта и таблица объект-свойства. 48 Постановка задачи. Отличия задачи классификации от задачи регрессии. Определение модели и алгоритма. Процесс обучения. 49 Проблема переобучения. Регуляризация. Cross validation. 50 Дополнительный вопрос: привести модель в линейной регрессии. 51 Кластеризация. Метрики. 52 Матрица парных расстояний. 53 Постановка задачи кластеризации. Отличие от задачи классификации. 54 Ассоциативные правила. Определение. Достоверность и поддержка. 55 Отличия построения ассоциативного правила от решающего правила задачи классификации. 56 Парадигма Map Reduce. Описать принцип работы. Перечислить слабые и сильные стороны. Обозначить области применимости. 57 Визуализация. Дать определение визуализации. Показать важность визуализации в аналитике больших данных. Привести примеры использования визуализации. 58 «Жизненный цикл» проекта по аналитике больших данных. 59 Типовая архитектура проекта в области больших данных. Перечислить используемые технологии, указать степень вовлеченности каждой из технологий на каждом этапе работы над проектом. Перечислить основные роли исполнителей проекта. 60 Научные проблемы больших данных. Показать значимость проблем, актуальность, связь с областями математики и инженерии. Обучающиеся сдают экзамены в конце теоретического обучения. К экзамену допускается студент, выполнивший в полном объеме задания, предусмотренные в рабочей программе. В случае пропуска каких-либо видов учебных занятий по уважительным или неуважительным причинам студент самостоятельно выполняет и сдает на проверку в письменном виде общие или индивидуальные задания, определяемые преподавателем. Экзамен по теоретическому курсу проходит в устной или письменной форме (определяется преподавателем) на основе перечня вопросов, которые отражают содержание действующей рабочей программы учебной дисциплины. Студентам рекомендуется: готовиться к экзамену в группе (два-три человека); внимательно прочитать вопросы к экзамену; составить план ответа на каждый вопрос, выделив ключевые моменты материала; изучив несколько вопросов, обсудить их с однокурсниками. Ответ должен быть аргументированным и исчерпывающим. Результаты сдачи экзаменов оцениваются отметкой «отлично», «хорошо», «удовлетворительно» или «неудовлетворительно». жүктеу/скачать 73,04 Kb. Достарыңызбен бөлісу:
|