“Python: Ievads datu analīzē” - kurss RUB 30 000. no MSU, apmācība 4 nedēļas. (1 mēnesis), datums: 2023. gada 30. novembris.
Literārs Mistrojums / / December 03, 2023
Uzlabotās apmācības programmas mērķis ir iegūt prasmes darbā ar Python programmēšanas valodu lielo datu analīzei.
Apmācības ilgums – 36 stundas (24 stundas auditorijas nodarbības ar skolotāju, 12 stundas patstāvīga materiālu apguve).
Studiju forma – aci pret aci ar attālināta savienojuma iespēju.
Izglītības izmaksas 30 000 rubļu.
Nodarbību sākums - rudens 2023 mācību gads.
Apmācību līgumi tiek slēgti ar fiziskām un juridiskām personām.
Reģistrācija kursiem tiek veikta pa e-pastu [email protected] (privātpersonām).
Lai reģistrētos vai uzdotu jautājumus, varat sazināties ar kursu administratoru Antonu Martjanovu, izmantojot WhatsApp vai Telegram pa tālruni +79264827721.
1. Python programmēšanas valodu bibliotēkas.
Bibliotēku galvenie mērķi un funkcijas;
Bibliotēku veidi datu analīzei: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Bibliotēku veidi datu vizualizācijai;
2. Python veidi un datu struktūras.
Datu tipu veidi: Integer, float, bool, srting, object;
Datu struktūru veidi: Dataframe, sērija, masīvs, korteži, saraksti utt.;
3. Datu ielāde programmā un sākotnējā analīze.
Datu ielāde dažādos formātos (xlsx, csv, html utt.);
Rindu un kolonnu skaita noteikšana;
trūkstošo vērtību identificēšana;
Datu tipu identificēšana matricā;
4. Python funkcijas datu analīzei.
Funkcijas aprakstošās statistikas iegūšanai (maks., min, vidējā, mediāna, kvartiļu atrašana);
Funkcijas datu sadalījuma blīvuma vizualizēšanai (normāls Gausa sadalījums);
Funkcijas bināro mainīgo (dummies var) izveidei;
Mašīnmācīšanās algoritmu funkcijas būves modeļiem (mazākie kvadrāti, atbalsta vektoru mašīnas, nejaušs mežs, loģistikas regresija, laikrindas);
5. Regresijas modeļu konstruēšana.
Lineāro regresiju konstruēšanas mērķis, izmantojot mazāko kvadrātu metodi;
Hipotēžu izvirzīšana un problēmas izvirzīšana (pamatojoties uz darba datiem);
Regresijas modeļa izveide Python programmā;
Iegūto koeficientu un modeļa nozīmīguma novērtējums kopumā (t-statistika, F-statistika);
Modeļa kvalitātes novērtējums (R2);
Gausa-Markova pieņēmumu pārbaude;
Iegūto rezultātu interpretācija;
6. Klasifikācijas modeļu uzbūve.
Random Forest algoritms;
Loģistiskā regresija;
Atbalstīt vektoru mašīnu;
Adrese
119991, Maskava, st. Ļeņinska Gori, 1, bldg. 51, 5. stāvs, 544. kab. (dekanāts)
Universitāte