“Python: Inleiding tot data-analyse” - cursus RUB 30.000. van MSU, training 4 weken. (1 maand), Datum: 30 november 2023.
Gemengde Berichten / / December 03, 2023
Het geavanceerde trainingsprogramma is gericht op het verwerven van vaardigheden in het werken met de programmeertaal Python voor big data-analyse.
Duur van de opleiding – 36 uur (24 uur klassikale lessen met een leraar, 12 uur zelfstudie van de stof).
Vorm van studie – face-to-face met de mogelijkheid tot verbinding op afstand.
Kosten van onderwijs 30.000 roebel.
Begin van de lessen - studiejaar najaar 2023.
Met natuurlijke personen en rechtspersonen worden opleidingsovereenkomsten gesloten.
Registratie voor cursussen vindt plaats via e-mail [email protected] (voor particulieren).
Voor aanmelding of vragen kunt u contact opnemen met de cursusbeheerder, Anton Martyanov, via WhatsApp of Telegram op +79264827721.
1. Python-programmeertaalbibliotheken.
Belangrijkste doeleinden en functies van bibliotheken;
Soorten bibliotheken voor data-analyse: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Soorten bibliotheken voor datavisualisatie;
2. Typen en datastructuren in Python.
Soorten gegevenstypen: geheel getal, float, bool, srting, object;
Soorten datastructuren: dataframe, series, array, tupels, lijsten, enz.;
3. Gegevens in het programma laden en voorlopige analyse uitvoeren.
Het laden van gegevens in verschillende formaten (xlsx, csv, html, etc.);
Het bepalen van het aantal rijen en kolommen;
Het identificeren van ontbrekende waarden;
Gegevenstypen identificeren in een matrix;
4. Python-functies voor data-analyse.
Functies voor het verkrijgen van beschrijvende statistieken (het vinden van max, min, gemiddelde, mediaan, kwartielen);
Functies voor het visualiseren van de dichtheid van gegevensdistributie (normale Gaussiaanse distributie);
Functies voor het maken van binaire variabelen (dummies var);
Functies van machine learning-algoritmen voor het bouwen van modellen (kleinste kwadraten, ondersteunende vectormachines, willekeurig bos, logistieke regressie, tijdreeksen);
5. Constructie van regressiemodellen.
Het doel van het construeren van lineaire regressies met behulp van de kleinste kwadratenmethode;
Hypotheses voorstellen en een probleem stellen (op basis van werkgegevens);
Het bouwen van een regressiemodel in Python;
Beoordeling van de significantie van de verkregen coëfficiënten en het model als geheel (t-statistieken, F-statistieken);
Modelkwaliteitsbeoordeling (R2);
Gauss-Markov-aannames controleren;
Interpretatie van de verkregen resultaten;
6. Constructie van classificatiemodellen.
Willekeurig Forest-algoritme;
Logistieke regressie;
Ondersteuning van vectormachine;
Adres
119991, Moskou, St. Leninskie Gory, 1, gebouw. 51, 5e verdieping, kamer 544 (decanaat)
Universiteit