"Python: Introduktion till dataanalys" - kurs 30 000 RUB. från MSU, träning 4 veckor. (1 månad), Datum: 30 november 2023.
Miscellanea / / December 03, 2023
Det avancerade utbildningsprogrammet syftar till att få färdigheter i att arbeta med programmeringsspråket Python för big data-analys.
Utbildningens varaktighet – 36 timmar (24 timmars klassrumslektioner med lärare, 12 timmars oberoende materialstudie).
Studieform – ansikte mot ansikte med möjlighet till fjärranslutning.
Kostnad för utbildning 30 000 rubel.
Start av klasser - läsåret hösten 2023.
Utbildningsavtal tecknas med privatpersoner och juridiska personer.
Registrering för kurser görs via e-post [email protected] (för privatpersoner).
Du kan kontakta kursadministratören, Anton Martyanov, för att registrera dig eller med frågor via WhatsApp eller Telegram på +79264827721.
1. Python programmeringsspråksbibliotek.
Huvudsakliga syften och funktioner för bibliotek;
Typer av bibliotek för dataanalys: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Typer av bibliotek för datavisualisering;
2. Typer och datastrukturer i Python.
Typer av datatyper: heltal, float, bool, srting, objekt;
Typer av datastrukturer: Dataram, serier, array, tupler, listor, etc.;
3. Laddar in data i programmet och preliminär analys.
Laddar data i olika format (xlsx, csv, html, etc.);
Bestämma antalet rader och kolumner;
Identifiera saknade värden;
Identifiera datatyper i en matris;
4. Python-funktioner för dataanalys.
Funktioner för att erhålla beskrivande statistik (hitta max, min, medelvärde, median, kvartiler);
Funktioner för att visualisera tätheten av datadistribution (normal gaussisk distribution);
Funktioner för att skapa binära variabler (dummies var);
Funktioner av maskininlärningsalgoritmer för att bygga modeller (minsta kvadrater, stödvektormaskiner, slumpmässig skog, logistisk regression, tidsserier);
5. Konstruktion av regressionsmodeller.
Syftet med att konstruera linjära regressioner med minsta kvadratmetoden;
Att föreslå hypoteser och ställa ett problem (baserat på arbetsdata);
Bygga en regressionsmodell i Python;
Bedömning av betydelsen av de erhållna koefficienterna och modellen som helhet (t-statistik, F-statistik);
Modellkvalitetsbedömning (R2);
Kontrollera Gauss-Markovs antaganden;
Tolkning av de erhållna resultaten;
6. Konstruktion av klassificeringsmodeller.
Random Forest-algoritm;
Logistisk tillbakagång;
Support Vector Machine;
Adress
119991, Moskva, st. Leninskie Gory, 1, byggnad. 51, 5:e våningen, rum 544 (dekanus)
universitet