"Python: Introduksjon til dataanalyse" - kurs 30 000 RUB. fra MSU, trening 4 uker. (1 måned), dato: 30. november 2023.

Miscellanea / by admin / December 03, 2023

click fraud protection

Det avanserte opplæringsprogrammet er rettet mot å få ferdigheter i å jobbe med programmeringsspråket Python for big data-analyse.

Varighet av trening – 36 timer (24 timer klasseromstimer med lærer, 12 timer selvstendig studie av materialer).

Studieform – ansikt til ansikt med mulighet for ekstern tilkobling.

Kostnader for utdanning 30 000 rubler.

Start på klassene - studieåret høsten 2023.

Opplæringsavtaler inngås med enkeltpersoner og juridiske personer.

Registrering for kurs utføres på e-post [email protected] (for enkeltpersoner).

Du kan kontakte kursadministratoren, Anton Martyanov, for å registrere deg eller med spørsmål via WhatsApp eller Telegram på +79264827721.

1. Python programmeringsspråkbiblioteker.

Hovedformål og funksjoner til biblioteker;
Typer biblioteker for dataanalyse: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Typer biblioteker for datavisualisering;

2. Typer og datastrukturer i Python.

Typer av datatyper: Heltall, float, bool, srting, objekt;
Typer av datastrukturer: Dataramme, serier, array, tuples, lister, etc.;

instagram viewer

3. Laste data inn i programmet og foreløpig analyse.

Laste inn data i forskjellige formater (xlsx, csv, html, etc.);
Bestemme antall rader og kolonner;
Identifisere manglende verdier;
Identifisere datatyper i en matrise;

4. Python-funksjoner for dataanalyse.

Funksjoner for å få beskrivende statistikk (finne maks, min, gjennomsnitt, median, kvartiler);
Funksjoner for å visualisere tettheten av datadistribusjon (normal gaussisk distribusjon);
Funksjoner for å lage binære variabler (dummies var);
Funksjoner til maskinlæringsalgoritmer for å bygge modeller (minste kvadrater, støttevektormaskiner, tilfeldig skog, logistisk regresjon, tidsserier);

5. Konstruksjon av regresjonsmodeller.

Hensikten med å konstruere lineære regresjoner ved bruk av minste kvadraters metode;
Foreslå hypoteser og stille et problem (basert på arbeidsdata);
Bygge en regresjonsmodell i Python;
Vurdering av betydningen av de oppnådde koeffisientene og modellen som helhet (t-statistikk, F-statistikk);
Modellkvalitetsvurdering (R2);
Sjekker Gauss-Markovs antakelser;
Tolkning av oppnådde resultater;