Анализ данных на Python

-Поиск и анализ данных из разрозненных источников, разработка и анализ математических моделей
-Визуализация и интерпретация полученных результатов анализа
-Проверка гипотез на данных и обработка ad-hoc запросов
-Оценка выявленных отклонений, предложения по их устранению и совершенствование системы отчетности
-Проведение аналитических исследований в рамках курируемого направления/проекта
-Выявление скрытых зависимостей в данных
-Поиск аномалий в данных
-Построение предикативных моделей с применением алгоритмов Машинного обучения и нейронных сетей

Код: PH011
Включено в курс

Книги и материалы

Электронные документы

Обед

Кофе брейк

Документы об обучении

Удостоверение о повышении квалификации

Форма обучения: Дистанционно
Ближайшие даты
24 Июня - 05 Июля 2024 г.
02 - 13 Сентября 2024 г.
11 - 22 Ноября 2024 г.
Продолжительность: 10 дней 80 ак.часов
Стоимость 65 000 руб.
Программа
  • 1. Основы Python

    • 1.1. Переменные , типы данных и преобразование типов,стандартный ввод данных, условные конструкции if, elif и else.

      • Лекции (2 ч.): Строковые и числовые переменные, определение типа переменной, основные операции с числовыми и строковыми переменными, преобразование из числовых в текстовые, из текстовых в числовые, из типов с плавающей точкой в целые.
      • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.): курс  «Поколение Python»: курс для начинающих (2 Ввод-вывод данных, 6 Типы данных)
    • 1.2. Циклы (FOR, WHILE)

      • Лекции (2 ч.): генератор последовательности Range: начало, конец и шаг последовательности итерация букв текста, цикл while, примеры - когда без цикла while не обойтись, вложенные циклы
      • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.): курс  «Поколение Python»: курс для начинающих (7 Циклы for и while)
  • 1.2. Структуры данных

    • 1.2.1. Списки

      • Лекции (2 ч.): доступ к элементам списка, изменение элементов список, перебор элементов списка, отбор диапазонов списка, добавление в список, удаление из списка, поэлементное преобразование одновременно всех значений списка (функция map, функция apply), сдвиг элементов в конец/начало списка, преобразование текста с разделителем в список и наоборот, сортировка списка, число вхождений отдельных элементов в список, генераторы списка, генератор случайных чисел и основные статистические функции, фильтрация списка (функция filter), копирование списка.
      • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.): курс  «Поколение Python»: курс для начинающих (11 Списки)
    • 1.2.2. Словари, кортежи, множества

      • Лекции (2 ч.): доступ к элементам, изменение элементов по ключу, перебор элементов словаря, добавление записи в словарь, изменение элемента по ключу, удаление элемента по ключу, создание словаря с помощью генератора, создание словаря с помощью 2-х списков, вложенные структуры.
      • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.): курс  «Поколение Python»: курс для продвинутых (10 Словари, 6 Кортежи, 8 Множества)
    • 1.3. Работа с текстом

      • Лекции (2 ч.): работа со строками, регулярные выражения.
      • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.) : курс  «Поколение Python»: курс для начинающих (9 Строковый тип данных)
  • 2. Таблицы Pandas

    • Лекции (6 ч.): чтение и запись Excel и CSV файлов, сводные таблицы, объединение таблиц, объединение по приблизительному совпадению общих признаков, отбор данных, замена значений, работа с пропусками данных, удаление дублей и преобразование типов в таблицах, преобразование одновременно всех значений в столбцах (функция apply), категоризация данных в таблицах (категорийные признаки), подсчет значений в столбцах, группировка и агрегирование данных в таблицах

    • Самостоятельная работа со взаимодействием с преподавателем: (6 ч.): курс  «Практикум по математике и Python» (разделы 6.7 – 6.10)

  • 3. Базы данных и SQL

    • Лекции (6 ч.): операторы и конструкции SQL, соединение таблиц в запросах, функции работы с числами/ текстом/ датами, агрегация (группировка данных) в запросах, вложенные запросы, создание таблиц/связей/ индексов, изменение данных в таблицах/добавление/импорт данных в таблицы, перекрестные запросы (оператор PIVOT), оконные функции (агрегатные вычисления без применения группировки) и функции аналитики, расчет нарастающего итога с помощью SQL, иерархические (рекурсивные) запросы, общие (обобщенные) табличные выражения (CTE).

    • Самостоятельная работа со взаимодействием с преподавателем: (6 ч.): см. Приложение – задания в файлах формата Word (с ответами в конце)

  • 4. Функции и классы в Python

    • Лекции (2 ч.): определение и примеры функций, локальные и глобальные переменные, аргументы функций, функции как объекты, применение функций одновременно ко всем элементам массивов, лямбда-функции, принципы и особенности разработка собственных классов

    • Самостоятельная работа со взаимодействием с преподавателем (2 часа): курс  «Поколение Python»: курс для начинающих (13 Функции), курс Практикум по математике и Python (раздел 9.2)

  • 5. Библиотека Numpy

    • Лекции (4 ч.) многомерные массивы, перебор элементов массивов, математические операции над массивами, сортировка массивов, сравнение массивов, выбор элементов массива и манипуляции с ними.

    • Самостоятельная работа со взаимодействием с преподавателем: (4 ч.): курс «Практикум по математике и Python» (разделы 6.1 – 6.6)

  • 6. Графики и визуализация - библиотеки Matplotlib, Seaborn, Plotly

    • Лекции (2 ч.) Настройка графиков, линейный график, ступенчатый, стековый, точечный графики, столбчатые и круговые диаграммы, цветовая сетка, построение 3D графиков.

    • Самостоятельная работа со взаимодействием с преподавателем: (2 ч.): курс «Практикум по математике и Python» (разделы 6.11, 9.3, 10.6-10.8)

  • 7. Математические основы машинного обучения

    • Лекции (6 ч.): основные понятия линейной алгебры, понятие производной функции и примеры постановок задач анализа в виде дифференциальных уравнений, интегральные преобразования как способ перехода от дифференциальных уравнений к алгебраическим для решения задач анализа, основы статистического анализа данных

    • Самостоятельная работа со взаимодействием с преподавателем: (4 ч.): курс «Практикум по математике и Python» (разделы 6.12, 6.13, 7, 8)

  • 8. Основы нейронных сетей

    • Лекции (4 ч.): понятие нейронных сетей, пример создания нейросети, сверточные нейросети, рекуррентные нейросети, алгоритмы работы с текстами с помощью нейросетей

    • Самостоятельная работа со взаимодействием с преподавателем (4x): курс  «Нейронные сети и обработка текста» (4 часа).