"Python: Εισαγωγή στην ανάλυση δεδομένων" - μάθημα 30.000 RUB. από το MSU, εκπαίδευση 4 εβδομάδες. (1 μήνας), Ημερομηνία: 30 Νοεμβρίου 2023.
μικροαντικείμενα / / December 03, 2023
Το προχωρημένο εκπαιδευτικό πρόγραμμα στοχεύει στην απόκτηση δεξιοτήτων εργασίας με τη γλώσσα προγραμματισμού Python για ανάλυση μεγάλων δεδομένων.
Διάρκεια εκπαίδευσης – 36 ώρες (24 ώρες μαθήματα στην τάξη με δάσκαλο, 12 ώρες ανεξάρτητη μελέτη υλικών).
Μορφή σπουδών – πρόσωπο με πρόσωπο με δυνατότητα απομακρυσμένης σύνδεσης.
Κόστος εκπαίδευσης 30.000 ρούβλια.
Έναρξη μαθημάτων - φθινόπωρο 2023 ακαδημαϊκό έτος.
Συνάπτονται συμφωνίες κατάρτισης με φυσικά και νομικά πρόσωπα.
Η εγγραφή για τα μαθήματα πραγματοποιείται μέσω e-mail [email protected] (για ιδιώτες).
Μπορείτε να επικοινωνήσετε με τον διαχειριστή του μαθήματος, Anton Martyanov, για εγγραφή ή με ερωτήσεις μέσω WhatsApp ή Telegram στο +79264827721.
1. Βιβλιοθήκες γλωσσών προγραμματισμού Python.
Κύριοι σκοποί και λειτουργίες των βιβλιοθηκών.
Τύποι βιβλιοθηκών για ανάλυση δεδομένων: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Τύποι βιβλιοθηκών για οπτικοποίηση δεδομένων.
2. Τύποι και δομές δεδομένων στην Python.
Τύποι τύπων δεδομένων: Integer, float, bool, srting, object;
Τύποι δομών δεδομένων: Πλαίσιο δεδομένων, σειρά, πίνακας, πλειάδες, λίστες κ.λπ.
3. Φόρτωση δεδομένων στο πρόγραμμα και προκαταρκτική ανάλυση.
Φόρτωση δεδομένων σε διαφορετικές μορφές (xlsx, csv, html, κ.λπ.).
Προσδιορισμός του αριθμού των γραμμών και στηλών.
Προσδιορισμός τιμών που λείπουν.
Προσδιορισμός τύπων δεδομένων σε μια μήτρα.
4. Συναρτήσεις Python για ανάλυση δεδομένων.
Λειτουργίες για την απόκτηση περιγραφικών στατιστικών (εύρεση μέγ., ελάχ., μέσος όρος, διάμεσος, τεταρτημόρια).
Λειτουργίες για την οπτικοποίηση της πυκνότητας της διανομής δεδομένων (Κανονική κατανομή Gauss).
Λειτουργίες για τη δημιουργία δυαδικών μεταβλητών (dummies var).
Λειτουργίες αλγορίθμων μηχανικής μάθησης για μοντέλα κατασκευής (ελάχιστα τετράγωνα, μηχανές υποστήριξης διανυσμάτων, τυχαίο δάσος, λογιστική παλινδρόμηση, χρονοσειρές).
5. Κατασκευή μοντέλων παλινδρόμησης.
Ο σκοπός της κατασκευής γραμμικών παλινδρομήσεων χρησιμοποιώντας τη μέθοδο των ελαχίστων τετραγώνων.
Πρόταση υποθέσεων και καθορισμός προβλήματος (βάσει δεδομένων εργασίας).
Δημιουργία μοντέλου παλινδρόμησης στην Python.
Εκτίμηση της σημασίας των ληφθέντων συντελεστών και του μοντέλου στο σύνολό του (t-statistics, F-statistics).
Αξιολόγηση ποιότητας μοντέλου (R2);
Έλεγχος των υποθέσεων Gauss-Markov.
Ερμηνεία των αποτελεσμάτων που προέκυψαν.
6. Κατασκευή μοντέλων ταξινόμησης.
Αλγόριθμος Random Forest;
Λογιστική παλινδρόμηση;
Υποστήριξη Vector Machine?
Διεύθυνση
119991, Μόσχα, οδός. Leninskie Gory, 1, bldg. 51, 5ος όροφος, αίθουσα 544 (κοσμητεία)
Πανεπιστήμιο