“Python: Uvod u analizu podataka” - tečaj 30 000 RUB. iz MSU, obuka 4 tjedna. (1 mjesec), Datum: 30.11.2023.
Miscelanea / / December 03, 2023
Program naprednog usavršavanja usmjeren je na stjecanje vještina rada s programskim jezikom Python za analizu velikih podataka.
Trajanje obuke – 36 sati (24 sata razredne nastave s nastavnikom, 12 sati samostalnog proučavanja gradiva).
Oblik studija – licem u lice s mogućnošću povezivanja na daljinu.
Trošak obrazovanja 30 000 rubalja.
Početak nastave - jesen 2023. akademske godine.
Ugovori o izobrazbi sklapaju se s fizičkim i pravnim osobama.
Registracija za tečajeve provodi se putem e-pošte [email protected] (za pojedince).
Možete kontaktirati administratora tečaja, Antona Martyanova, za registraciju ili pitanja putem WhatsAppa ili Telegrama na +79264827721.
1. Knjižnice programskog jezika Python.
Glavne namjene i funkcije knjižnica;
Vrste biblioteka za analizu podataka: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Vrste biblioteka za vizualizaciju podataka;
2. Vrste i strukture podataka u Pythonu.
Vrste tipova podataka: Integer, float, bool, srting, object;
Vrste struktura podataka: Dataframe, serije, nizovi, torke, liste, itd.;
3. Učitavanje podataka u program i preliminarna analiza.
Učitavanje podataka u različitim formatima (xlsx, csv, html itd.);
Određivanje broja redaka i stupaca;
Identificiranje vrijednosti koje nedostaju;
Identificiranje tipova podataka u matrici;
4. Python funkcije za analizu podataka.
Funkcije za dobivanje deskriptivne statistike (pronalaženje max, min, srednje vrijednosti, medijana, kvartila);
Funkcije za vizualizaciju gustoće distribucije podataka (Normalna Gaussova distribucija);
Funkcije za kreiranje binarnih varijabli (dummies var);
Funkcije algoritama strojnog učenja za izgradnju modela (najmanji kvadrati, strojevi potpornih vektora, slučajne šume, logistička regresija, vremenske serije);
5. Konstrukcija regresijskih modela.
Svrha konstruiranja linearne regresije metodom najmanjih kvadrata;
Predlaganje hipoteza i postavljanje problema (na temelju radnih podataka);
Izgradnja regresijskog modela u Pythonu;
Procjena značajnosti dobivenih koeficijenata i modela u cjelini (t-statistika, F-statistika);
Procjena kvalitete modela (R2);
Provjera Gauss-Markovljevih pretpostavki;
Interpretacija dobivenih rezultata;
6. Konstrukcija klasifikacijskih modela.
Random Forest algoritam;
Logistička regresija;
Potporni vektorski stroj;
Adresa
119991, Moskva, ul. Leninskie Gory, 1, bldg. 51, V kat, soba 544 (Dekanat)
Sveučilište