"Python: Johdatus tietoanalyysiin" - kurssi 30 000 RUB. MSU: sta, koulutus 4 viikkoa. (1 kuukausi), päivämäärä: 30. marraskuuta 2023.
Miscellanea / / December 03, 2023
Jatkokoulutusohjelmalla pyritään hankkimaan taitoja työskennellä Python-ohjelmointikielen kanssa big datan analysointiin.
Koulutuksen kesto – 36 tuntia (24 tuntia luokkahuonetunteja opettajan kanssa, 12 tuntia itsenäistä materiaalien opiskelua).
Opiskelumuoto – kasvokkain etäyhteyden mahdollisuudella.
Koulutuksen kustannukset 30 000 ruplaa.
Tuntien aloitus - syksy 2023 lukuvuosi.
Koulutussopimuksia tehdään yksityisten ja juridisten henkilöiden kanssa.
Kursseille ilmoittautuminen tapahtuu sähköpostitse [email protected] (yksityishenkilöille).
Voit ottaa yhteyttä kurssin ylläpitäjään Anton Martyanoviin rekisteröityäksesi tai jos sinulla on kysyttävää WhatsAppin tai Telegramin kautta numerosta +79264827721.
1. Python-ohjelmointikielikirjastot.
Kirjastojen päätarkoitukset ja toiminnot;
Kirjastotyypit tietojen analysointiin: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Kirjastotyypit tietojen visualisointia varten;
2. Tyypit ja tietorakenteet Pythonissa.
Tietotyyppityypit: Integer, float, bool, srting, object;
Tietorakenteiden tyypit: Tietokehys, sarja, taulukko, monikot, listat jne.;
3. Tietojen lataaminen ohjelmaan ja alustava analyysi.
Tietojen lataaminen eri muodoissa (xlsx, csv, html jne.);
Rivien ja sarakkeiden lukumäärän määrittäminen;
Puuttuvien arvojen tunnistaminen;
Tietotyyppien tunnistaminen matriisissa;
4. Python-funktiot tietojen analysointiin.
Funktiot kuvaavien tilastojen saamiseksi (max, min, keskiarvon, mediaanin, kvartiilien löytäminen);
Toiminnot datajakauman tiheyden visualisoimiseksi (normaali Gaussin jakauma);
Funktiot binäärimuuttujien luomiseksi (dummies var);
Koneoppimisalgoritmien funktiot rakennusmalleja varten (pieninneliöt, tukivektorikoneet, satunnaismetsä, logistinen regressio, aikasarjat);
5. Regressiomallien rakentaminen.
Lineaaristen regressioiden muodostamisen tarkoitus pienimmän neliösumman menetelmällä;
Hypoteesien esittäminen ja ongelman asettaminen (työdatan perusteella);
Regressiomallin rakentaminen Pythonissa;
Saatujen kertoimien ja mallin merkittävyyden arviointi kokonaisuutena (t-tilastot, F-tilastot);
Mallin laadun arviointi (R2);
Gauss-Markov-oletusten tarkistaminen;
saatujen tulosten tulkinta;
6. Luokittelumallien rakentaminen.
Random Forest -algoritmi;
Logistinen regressio;
Tuki Vector Machine;
Osoite
119991, Moskova, st. Leninskie Gory, 1, bldg. 51, 5. krs, huone 544 (Dekaanin toimisto)
Yliopisto