„Python: Wprowadzenie do analizy danych” – kurs 30 000 RUB. z MSU, szkolenie 4 tygodnie. (1 miesiąc), Data: 30 listopada 2023 r.

Miscellanea / by admin / December 03, 2023

click fraud protection

Zaawansowany program szkoleniowy ma na celu zdobycie umiejętności pracy z językiem programowania Python do analizy dużych zbiorów danych.

Czas trwania szkolenia – 36 godzin (24 godziny zajęć stacjonarnych z nauczycielem, 12 godzin samodzielnego studiowania materiałów).

Forma studiów – stacjonarnie z możliwością połączenia zdalnego.

Koszt edukacji 30 000 rubli.

Rozpoczęcie zajęć - rok akademicki jesień 2023.

Umowy szkoleniowe zawierane są z osobami fizycznymi i prawnymi.

Rejestracja na kursy odbywa się poprzez e-mail [email protected] (dla osób fizycznych).

Możesz skontaktować się z administratorem kursu, Antonem Martyanovem, aby zarejestrować się lub zadać pytania za pośrednictwem WhatsApp lub Telegramu pod numerem +79264827721.

1. Biblioteki języków programowania Python.

Główne cele i funkcje bibliotek;
Rodzaje bibliotek do analizy danych: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Rodzaje bibliotek do wizualizacji danych;

2. Typy i struktury danych w Pythonie.

Rodzaje typów danych: Integer, float, bool, srting, object;

instagram viewer

Rodzaje struktur danych: ramka danych, seria, tablica, krotki, listy itp.;

3. Wczytanie danych do programu i wstępna analiza.

Ładowanie danych w różnych formatach (xlsx, csv, html itp.);
Określanie liczby wierszy i kolumn;
Identyfikacja brakujących wartości;
Identyfikacja typów danych w macierzy;

4. Funkcje Pythona do analizy danych.

Funkcje do otrzymywania statystyk opisowych (znajdowanie maks., min., średniej, mediany, kwartyli);
Funkcje wizualizacji gęstości rozkładu danych (rozkład normalny Gaussa);
Funkcje do tworzenia zmiennych binarnych (manekiny var);
Funkcje algorytmów uczenia maszynowego do budowy modeli (najmniejsze kwadraty, maszyny wektorów nośnych, las losowy, regresja logistyczna, szeregi czasowe);

5. Budowa modeli regresji.

Cel konstruowania regresji liniowych metodą najmniejszych kwadratów;
Proponowanie hipotez i stawianie problemu (w oparciu o dane robocze);
Budowa modelu regresji w Pythonie;
Ocena istotności uzyskanych współczynników i modelu jako całości (statystyka t, statystyka F);
Ocena jakości modelu (R2);
Sprawdzenie założeń Gaussa-Markowa;
Interpretacja uzyskanych wyników;