"Python: Sissejuhatus andmeanalüüsi" - kursus 30 000 RUB. MSU-st, koolitus 4 nädalat. (1 kuu), kuupäev: 30. november 2023.
Varia / / December 03, 2023
Edasijõudnute koolitusprogramm on suunatud oskuste omandamisele Python programmeerimiskeelega töötamiseks suurandmete analüüsiks.
Koolituse kestus – 36 tundi (24 tundi auditoorseid tunde koos õpetajaga, 12 tundi iseseisvat materjaliõpet).
Õppevorm – näost näkku kaugühenduse võimalusega.
Hariduse maksumus 30 000 rubla.
Tundide algus - sügis 2023 õppeaasta.
Koolituslepingud sõlmitakse füüsiliste ja juriidiliste isikutega.
Kursustele registreerimine toimub e-posti teel [email protected] (üksikisikutele).
Registreerumiseks või küsimustega saab ühendust võtta kursuse administraatori Anton Martjanoviga WhatsAppi või Telegrami kaudu numbril +79264827721.
1. Pythoni programmeerimiskeele raamatukogud.
Raamatukogude peamised eesmärgid ja funktsioonid;
Andmeanalüüsi teekide tüübid: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Andmete visualiseerimiseks kasutatavate teekide tüübid;
2. Tüübid ja andmestruktuurid Pythonis.
Andmetüüpide tüübid: Integer, float, bool, srting, objekt;
Andmestruktuuride tüübid: Dataframe, seeria, massiiv, korteid, loendid jne;
3. Andmete laadimine programmi ja eelanalüüs.
Andmete laadimine erinevates vormingutes (xlsx, csv, html jne);
Ridade ja veergude arvu määramine;
Puuduvate väärtuste tuvastamine;
Andmetüüpide tuvastamine maatriksis;
4. Pythoni funktsioonid andmete analüüsimiseks.
Funktsioonid kirjeldava statistika saamiseks (max, min, keskmine, mediaan, kvartiilide leidmine);
Funktsioonid andmejaotuse tiheduse visualiseerimiseks (Normal Gaussi jaotus);
Funktsioonid kahendmuutujate loomiseks (dummies var);
Masinõppe algoritmide funktsioonid mudelite ehitamiseks (vähimruudud, tugivektori masinad, juhuslik mets, logistiline regressioon, aegread);
5. Regressioonimudelite konstrueerimine.
Lineaarsete regressioonide koostamise eesmärk vähimruutude meetodil;
Hüpoteeside väljapakkumine ja probleemi püstitamine (tööandmete põhjal);
Regressioonimudeli koostamine Pythonis;
Saadud koefitsientide ja mudeli kui terviku olulisuse hindamine (t-statistika, F-statistika);
Mudeli kvaliteedi hindamine (R2);
Gauss-Markovi eelduste kontrollimine;
Saadud tulemuste tõlgendamine;
6. Klassifitseerimismudelite konstrueerimine.
Random Forest algoritm;
Logistiline regressioon;
Toetage vektormasinat;
Aadress
119991, Moskva, st. Leninskie Gory, 1, bldg. 51, 5. korrus, tuba 544 (dekanaat)
Ülikool