“Python: Úvod do analýzy dat” - kurz 30 000 RUB. z MSU, školení 4 týdny. (1 měsíc), Datum: 30. listopadu 2023.
Různé / / December 03, 2023
Pokročilý školicí program je zaměřen na získání dovedností v práci s programovacím jazykem Python pro analýzu velkých dat.
Délka školení – 36 hodin (24 hodin třídnické výuky s učitelem, 12 hodin samostatného studia materiálů).
Forma studia – tváří v tvář s možností vzdáleného připojení.
Náklady na vzdělání 30 000 rublů.
Začátek vyučování - akademický rok podzim 2023.
Smlouvy o školení jsou uzavírány s fyzickými a právnickými osobami.
Registrace do kurzů se provádí e-mailem [email protected] (pro jednotlivce).
Pro registraci nebo s dotazy můžete kontaktovat administrátora kurzu Antona Martyanova přes WhatsApp nebo Telegram na čísle +79264827721.
1. Knihovny programovacího jazyka Python.
Hlavní účely a funkce knihoven;
Typy knihoven pro analýzu dat: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Typy knihoven pro vizualizaci dat;
2. Typy a datové struktury v Pythonu.
Typy datových typů: Integer, float, bool, srting, object;
Typy datových struktur: Dataframe, série, pole, n-tice, seznamy atd.;
3. Načítání dat do programu a předběžná analýza.
Načítání dat v různých formátech (xlsx, csv, html atd.);
Určení počtu řádků a sloupců;
Identifikace chybějících hodnot;
Identifikace datových typů v matici;
4. Funkce Pythonu pro analýzu dat.
Funkce pro získání popisné statistiky (zjištění max., min., průměru, mediánu, kvartilů);
Funkce pro vizualizaci hustoty rozložení dat (Normální Gaussovo rozložení);
Funkce pro vytváření binárních proměnných (dummies var);
Funkce algoritmů strojového učení pro vytváření modelů (nejmenších čtverců, podpůrné vektorové stroje, náhodný les, logistická regrese, časové řady);
5. Konstrukce regresních modelů.
Účel konstrukce lineárních regresí pomocí metody nejmenších čtverců;
Navrhování hypotéz a stanovení problému (na základě pracovních dat);
Vytvoření regresního modelu v Pythonu;
Posouzení významnosti získaných koeficientů a modelu jako celku (t-statistika, F-statistika);
Hodnocení kvality modelu (R2);
Kontrola Gauss-Markovových předpokladů;
Interpretace získaných výsledků;
6. Konstrukce klasifikačních modelů.
Random Forest algoritmus;
Logistická regrese;
Support Vector Machine;
Adresa
119991, Moskva, st. Leninskie Gory, 1, bldg. 51, 5. patro, místnost 544 (děkanát)
Univerzita