„Python: Einführung in die Datenanalyse“ – Kurs 30.000 RUB. von der MSU, Ausbildung 4 Wochen. (1 Monat), Datum: 30. November 2023.
Verschiedenes / / December 03, 2023
Das Fortbildungsprogramm zielt darauf ab, Kenntnisse im Umgang mit der Programmiersprache Python für die Big-Data-Analyse zu erwerben.
Dauer der Ausbildung – 36 Stunden (24 Stunden Unterricht mit einem Lehrer, 12 Stunden unabhängiges Studium der Materialien).
Studienform – persönlich mit der Möglichkeit einer Fernverbindung.
Kosten für Bildung 30.000 Rubel.
Beginn des Unterrichts - Studienjahr Herbst 2023.
Ausbildungsverträge werden mit natürlichen und juristischen Personen abgeschlossen.
Die Anmeldung zu den Kursen erfolgt per E-Mail [email protected] (für Einzelpersonen).
Sie können den Kursadministrator, Anton Martyanov, zur Anmeldung oder bei Fragen per WhatsApp oder Telegram unter +79264827721 kontaktieren.
1. Bibliotheken der Programmiersprache Python.
Hauptzwecke und Funktionen von Bibliotheken;
Arten von Bibliotheken für die Datenanalyse: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Arten von Bibliotheken zur Datenvisualisierung;
2. Typen und Datenstrukturen in Python.
Arten von Datentypen: Integer, Float, Bool, Sortierung, Objekt;
Arten von Datenstrukturen: Datenrahmen, Serien, Arrays, Tupel, Listen usw.;
3. Laden von Daten in das Programm und vorläufige Analyse.
Laden von Daten in verschiedenen Formaten (XLSX, CSV, HTML usw.);
Bestimmen der Anzahl der Zeilen und Spalten;
Identifizieren fehlender Werte;
Identifizieren von Datentypen in einer Matrix;
4. Python-Funktionen zur Datenanalyse.
Funktionen zum Erhalten deskriptiver Statistiken (Ermitteln von Maximum, Minimum, Mittelwert, Median, Quartilen);
Funktionen zur Visualisierung der Dichte der Datenverteilung (Normal-Gauß-Verteilung);
Funktionen zum Erstellen binärer Variablen (Dummies var);
Funktionen von Algorithmen für maschinelles Lernen zum Erstellen von Modellen (kleinste Quadrate, Support-Vektor-Maschinen, Random Forest, logistische Regression, Zeitreihen);
5. Konstruktion von Regressionsmodellen.
Der Zweck der Konstruktion linearer Regressionen mithilfe der Methode der kleinsten Quadrate;
Hypothesen aufstellen und ein Problem stellen (basierend auf Arbeitsdaten);
Erstellen eines Regressionsmodells in Python;
Bewertung der Signifikanz der erhaltenen Koeffizienten und des Modells als Ganzes (T-Statistik, F-Statistik);
Bewertung der Modellqualität (R2);
Überprüfung der Gauß-Markov-Annahmen;
Interpretation der erzielten Ergebnisse;
6. Konstruktion von Klassifizierungsmodellen.
Random Forest-Algorithmus;
Logistische Regression;
Support Vector Machine;
Adresse
119991, Moskau, st. Leninskie Gory, 1, Geb. 51, 5. OG, Raum 544 (Dekanat)
Universität