„Python: Úvod do analýzy údajov“ - kurz 30 000 RUB. z MsÚ, tréning 4 týždne. (1 mesiac), dátum: 30. novembra 2023.
Rôzne / / December 03, 2023
Pokročilý školiaci program je zameraný na získanie zručností v práci s programovacím jazykom Python pre analýzu veľkých dát.
Trvanie školenia – 36 hodín (24 hodín triednických hodín s učiteľom, 12 hodín samostatného štúdia materiálov).
Forma štúdia – face-to-face s možnosťou vzdialeného pripojenia.
Náklady na vzdelanie 30 000 rubľov.
Začiatok vyučovania - akademický rok jeseň 2023.
Dohody o školení sa uzatvárajú s fyzickými a právnickými osobami.
Registrácia na kurzy sa vykonáva e-mailom [email protected] (pre jednotlivcov).
S prihlásením alebo s otázkami môžete kontaktovať administrátora kurzu Antona Martyanova cez WhatsApp alebo Telegram na čísle +79264827721.
1. Knižnice programovacieho jazyka Python.
Hlavné účely a funkcie knižníc;
Typy knižníc na analýzu údajov: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Typy knižníc na vizualizáciu dát;
2. Typy a dátové štruktúry v Pythone.
Typy dátových typov: Integer, float, bool, srting, object;
Typy dátových štruktúr: Dataframe, séria, pole, n-tice, zoznamy atď.;
3. Načítanie údajov do programu a predbežná analýza.
Načítanie údajov v rôznych formátoch (xlsx, csv, html atď.);
Určenie počtu riadkov a stĺpcov;
Identifikácia chýbajúcich hodnôt;
Identifikácia dátových typov v matici;
4. Funkcie Pythonu na analýzu údajov.
Funkcie na získanie popisnej štatistiky (hľadanie max, min, priemer, medián, kvartily);
Funkcie na vizualizáciu hustoty rozloženia údajov (normálne gaussovské rozdelenie);
Funkcie na vytváranie binárnych premenných (dummies var);
Funkcie algoritmov strojového učenia na vytváranie modelov (najmenšie štvorce, podporné vektorové stroje, náhodný les, logistická regresia, časové rady);
5. Konštrukcia regresných modelov.
Účel konštrukcie lineárnych regresií pomocou metódy najmenších štvorcov;
Navrhovanie hypotéz a stanovenie problému (na základe pracovných údajov);
Vytvorenie regresného modelu v Pythone;
Posúdenie významnosti získaných koeficientov a modelu ako celku (t-štatistika, F-štatistika);
Hodnotenie kvality modelu (R2);
Kontrola Gauss-Markovových predpokladov;
Interpretácia získaných výsledkov;
6. Konštrukcia klasifikačných modelov.
Random Forest algoritmus;
Logistická regresia;
Podporný vektorový stroj;
Adresa
119991, Moskva, ul. Leninskie Gory, 1, bldg. 51, 5. poschodie, miestnosť 544 (dekanát)
univerzite