« Python: Introduction à l'analyse des données » - cours 30 000 RUB. de MSU, formation 4 semaines. (1 mois), Date: 30 novembre 2023.
Miscellanea / / December 03, 2023
Le programme de formation avancée vise à acquérir des compétences dans l'utilisation du langage de programmation Python pour l'analyse du Big Data.
Durée de la formation – 36 heures (24 heures de cours en classe avec un professeur, 12 heures d'étude indépendante des matériaux).
Forme d'étude – en présentiel avec possibilité de connexion à distance.
Coût de l'éducation 30 000 roubles.
Début des cours - année académique automne 2023.
Des conventions de formation sont conclues avec des personnes physiques et morales.
L'inscription aux cours s'effectue par e-mail [email protected] (pour les particuliers).
Vous pouvez contacter l'administrateur du cours, Anton Martyanov, pour vous inscrire ou pour toute question via WhatsApp ou Telegram au +79264827721.
1. Bibliothèques du langage de programmation Python.
Principaux objectifs et fonctions des bibliothèques ;
Types de bibliothèques pour l'analyse des données: Pandas, Numpy, Statsmodels, Sklearn, Seabourne ;
Types de bibliothèques pour la visualisation de données ;
2. Types et structures de données en Python.
Types de types de données: Integer, float, bool, srting, object ;
Types de structures de données: Dataframe, séries, tableaux, tuples, listes, etc. ;
3. Chargement des données dans le programme et analyse préliminaire.
Chargement de données dans différents formats (xlsx, csv, html, etc.) ;
Déterminer le nombre de lignes et de colonnes ;
Identifier les valeurs manquantes ;
Identifier les types de données dans une matrice ;
4. Fonctions Python pour l'analyse des données.
Fonctions d'obtention de statistiques descriptives (recherche max, min, moyenne, médiane, quartiles) ;
Fonctions de visualisation de la densité de distribution des données (distribution gaussienne normale) ;
Fonctions de création de variables binaires (var factices);
Fonctions d'algorithmes d'apprentissage automatique pour la construction de modèles (moindres carrés, machines à vecteurs supports, forêt aléatoire, régression logistique, séries chronologiques) ;
5. Construction de modèles de régression.
L'objectif de construire des régressions linéaires par la méthode des moindres carrés ;
Proposer des hypothèses et poser une problématique (à partir de données de travail) ;
Construire un modèle de régression en Python ;
Évaluation de la significativité des coefficients obtenus et du modèle dans son ensemble (statistiques t, statistiques F) ;
Évaluation de la qualité du modèle (R2) ;
Vérification des hypothèses de Gauss-Markov ;
Interprétation des résultats obtenus ;
6. Construction de modèles de classification.
Algorithme de forêt aléatoire ;
Régression logistique;
Machine à vecteurs de support ;
Adresse
119991, Moscou, st. Leninskie Gory, 1, bâtiment. 51, 5e étage, salle 544 (Bureau du doyen)
Université