Описание курса

Курс знакомит слушателей с математическими, прежде всего статистическими, моделями как инструментом анализа социальных явлений. Основное внимание уделяется интерпретации модели как «чёрного ящика»: пониманию её назначения, требований к данным и корректному прочтению результатов — без вывода формул и обязательного программирования. Рассматриваются основы статистики, модели с учителем и без учителя, их параметры и метрики качества; отдельный блок посвящён моделям для текстовых данных, а также причинности и типичным ошибкам интерпретации. Курс ориентирован на слушателей из различных научных областей и сфер деятельности. Предусмотрены опциональная лаборатория для владеющих программированием и блок по самостоятельному построению простых моделей.

Требования к кандидату
Специальной математической подготовки не требуется: достаточно школьной математики и готовности работать с данными и таблицами. Программирование не обязательно — навыки кодинга необходимы только для опциональной лаборатории.

Цели обучения
- формирование представления о базовых математических и статистических методах и моделях и областях их применения;
- развитие навыков понимания и корректной интерпретации результатов математических моделей и методов;
- освоение приёмов построения базовых математических моделей для анализа социальных явлений;
- формирование критического отношения к выводам моделей и других методов: понимание их ограничений, ловушек и вопросов причинности

Результат обучения
По итогам курса слушатель:
- понимает определения базовых математических и статистических моделей и методов и области их применения;
- способен грамотно читать и интерпретировать результаты моделей, включая метрики качества;
- способен применять базовые методы и строить простые модели для анализа социальных явлений;
- осознаёт ограничения моделей и типичные ошибки интерпретации, в том числе в вопросах причинности

Темы занятий

1. Назначение моделей и типология данных. Введение в моделирование.

2. Основы статистики: p-value, доверительные интервалы, байесовский подход.

3. Модели с учителем и без учителя: линейная, логистическая и байесовская регрессия; метрики R²/MAE/RMSE и precision/recall/F1.

4. Модели и метрики для текстовых данных: TF-IDF, эмбеддинги, тематическое моделирование, согласованность разметчиков.

5. Причинность и типичные ловушки; основы самостоятельного построения моделей

Как оценивается
Простая модель по выбранной слушателем теме, выполненная при поддержке ментора-айтишника, с публичной защитой. Работа включает:
- текст описания исследования на 5–7 страниц (цель и исследовательские вопросы, методология, сбор данных, анализ, выводы);
- воспроизводимый код;
- презентацию.
Акцент делается на корректной постановке задачи и честности выводов, а не на сложности модели.
Помимо защиты ИКР предусмотрены и другие формы оценивания. Итоговая оценка складывается из трёх обязательных компонентов: домашние задания — 40%, экзамен — 30%, защита ИКР — 30%; по каждому компоненту необходимо набрать не менее 50%. Опциональная лаборатория в итоговую оценку не входит и даёт до +15% бонусом.

Примерные темы выпускных работ
1. Факторы, влияющие на жизненный цикл малого бизнеса в Батуми;

2. Анализ динамики стоимости однокомнатной квартиры в Батуми за последние 5 лет.