"Python: Uvod v analizo podatkov" - tečaj 30.000 RUB. iz MSU, usposabljanje 4 tedne. (1 mesec), datum: 30. november 2023.
Miscellanea / / December 03, 2023
Izpopolnjevalni program je namenjen pridobivanju veščin dela s programskim jezikom Python za analizo velikih podatkov.
Trajanje usposabljanja – 36 ur (24 ur razrednega pouka z učiteljem, 12 ur samostojnega učenja gradiva).
Oblika študija – iz oči v oči z možnostjo povezave na daljavo.
Stroški izobraževanja 30.000 rubljev.
Začetek pouka - študijsko leto jesen 2023.
Pogodbe o usposabljanju se sklepajo s fizičnimi in pravnimi osebami.
Prijava na tečaje poteka po e-pošti [email protected] (za posameznike).
Za registracijo ali vprašanja se lahko obrnete na skrbnika tečaja Antona Martyanova prek WhatsAppa ali Telegrama na +79264827721.
1. Knjižnice programskega jezika Python.
Glavni nameni in funkcije knjižnic;
Vrste knjižnic za analizo podatkov: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Vrste knjižnic za vizualizacijo podatkov;
2. Vrste in podatkovne strukture v Pythonu.
Vrste podatkovnih tipov: Integer, float, bool, srting, object;
Vrste podatkovnih struktur: Podatkovni okvir, serije, nizi, tuple, seznami itd.;
3. Nalaganje podatkov v program in predhodna analiza.
Nalaganje podatkov v različnih formatih (xlsx, csv, html itd.);
Določanje števila vrstic in stolpcev;
Identifikacija manjkajočih vrednosti;
Prepoznavanje tipov podatkov v matriki;
4. Python funkcije za analizo podatkov.
Funkcije za pridobivanje deskriptivne statistike (iskanje max, min, mean, mediana, kvartilov);
Funkcije za vizualizacijo gostote porazdelitve podatkov (normalna Gaussova porazdelitev);
Funkcije za ustvarjanje binarnih spremenljivk (dummies var);
Funkcije algoritmov strojnega učenja za gradnjo modelov (najmanjši kvadrati, podporni vektorski stroji, naključni gozd, logistična regresija, časovne vrste);
5. Konstrukcija regresijskih modelov.
Namen konstruiranja linearne regresije z uporabo metode najmanjših kvadratov;
Predlaganje hipotez in postavitev problema (na podlagi delovnih podatkov);
Gradnja regresijskega modela v Pythonu;
Ocena pomembnosti dobljenih koeficientov in modela kot celote (t-statistika, F-statistika);
Ocena kakovosti modela (R2);
Preverjanje Gauss-Markovih predpostavk;
Interpretacija dobljenih rezultatov;
6. Konstrukcija klasifikacijskih modelov.
Algoritem Random Forest;
Logistična regresija;
Podporni vektorski stroj;
Naslov
119991, Moskva, ul. Leninskie Gory, 1, str. 51, 5. nadstropje, soba 544 (dekanat)
Univerza