„Python: Въведение в анализа на данни“ - курс 30 000 RUB. от MSU, обучение 4 седмици. (1 месец), Дата: 30 ноември 2023 г.
разни / / December 03, 2023
Програмата за напреднали е насочена към придобиване на умения за работа с програмния език Python за анализ на големи данни.
Продължителност на обучението – 36 часа (24 часа класни занятия с преподавател, 12 часа самостоятелно изучаване на материали).
Форма на обучение – лице в лице с възможност за дистанционна връзка.
Разходи за обучение 30 000 рубли.
Начало на занятията - есен 2023 учебна година.
Договори за обучение се сключват с физически и юридически лица.
Регистрацията за курсове се извършва по имейл [email protected] (за физически лица).
Можете да се свържете с администратора на курса Антон Мартянов за регистрация или с въпроси чрез WhatsApp или Telegram на +79264827721.
1. Библиотеки на езика за програмиране Python.
Основни цели и функции на библиотеките;
Видове библиотеки за анализ на данни: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Видове библиотеки за визуализация на данни;
2. Типове и структури от данни в Python.
Видове типове данни: Integer, float, bool, srting, object;
Видове структури от данни: Dataframe, series, array, tuples, lists и др.;
3. Зареждане на данни в програмата и предварителен анализ.
Зареждане на данни в различни формати (xlsx, csv, html и др.);
Определяне на броя на редовете и колоните;
Идентифициране на липсващи стойности;
Идентифициране на типове данни в матрица;
4. Python функции за анализ на данни.
Функции за получаване на описателна статистика (намиране на макс., мин., средно, медиана, квартили);
Функции за визуализиране на плътността на разпределение на данните (Нормално гаусово разпределение);
Функции за създаване на двоични променливи (dummies var);
Функции на алгоритмите за машинно обучение за изграждане на модели (най-малки квадрати, опорни векторни машини, произволна гора, логистична регресия, времеви редове);
5. Изграждане на регресионни модели.
Целта на конструирането на линейни регресии с помощта на метода на най-малките квадрати;
Предлагане на хипотези и поставяне на проблем (по работни данни);
Изграждане на регресионен модел в Python;
Оценка на значимостта на получените коефициенти и модела като цяло (t-статистика, F-статистика);
Оценка на качеството на модела (R2);
Проверка на предположенията на Гаус-Марков;
Интерпретация на получените резултати;
6. Изграждане на класификационни модели.
Алгоритъм Random Forest;
Логистична регресия;
опорна векторна машина;
Адрес
119991, Москва, ул. Leninskie Gory, 1, бл. 51, ет. 5, стая 544 (деканат)
университет