Программирование и анализ данных на языке Python

1. Особенностей функционального и объектно-ориентированного подходов в программировании, их различия и области применения;
2. Типовых схем программных продуктов и основных методов декомпозиции задач
3. Модулей стандартной библиотеки Python

1. Выбирать архитектурный стиль приложения исходя из технического задания по созданию программного продукта;
2. Производить декомпозицию задачи и разрабатывать алгоритм простых приложений

Создание консольных приложений и модулей на языке программирования Python

1. Особенностей языка программирования Python и областей его применения;
2. Синтаксиса основных конструкций языка программирования Python (управление потокам выполнения программы, объявление переменных, функций, классов);
3. Основных типов данных, используемых в стандартной библиотеке Python (числа, строки, списки, кортежи, словари, множества, функции, классы);
4. Основных возможностей, синтаксиса и области применения модулей стандартной библиотеки Python (os, sys, json, csv, tempfile, decimal);
5. Основных возможностей и синтаксиса библиотеки requests по работе с API
6. Синтаксиса основных библиотек для анализа данных – NumPy, SciPy, Pandas, Sklearn и построения нейронных сетей – Keras, TensorFlow

1. Устанавливать, настраивать среду разработки Python и работать в ней;
2. Создавать несложные скрипты и консольные приложения, автоматизирующие повседневные задачи;
3. Использовать при разработке программного приложения библиотеки requests;
4. Работать с данными, представленными в форматах json и csv (получать, обрабатывать, сохранять);
5. Делать запросы к API интернет сервисов и обрабатывать полученные данные

1. Работы в командной строке;
2 Работы в интерпретаторе Python;
3. Работы в среде разработки Python

1. Основных возможностей, синтаксиса и области применения модуля стандартной библиотеки Python unittest;
2. Целей и задач тестирования программ, методики построения наборов тестов и способы их реализации в коде с помощью фреймворка unittest

1. Проводить отладку приложения с помощью модуля pdb;
2. С помощью фреймворка unittest создавать наборы тестов для приложения, написанного на языке Python

1. Создания тестов для python-приложений с использованием фреймворка unittest;
2. Отладки кода с помощью модуля pdb

Способов получения информации из источников официальной документации Python, библиотек для анализа данных - NumPy, SciPy, Pandas, Sklearn, библиотек для визуализации - Matplotlib, Plotly, фреймворков для построения нейросетей - Keras, TensorFlow.

1. работать с документацией Python;
2. работать с документацией библиотек для анализа данных - NumPy, SciPy, Pandas, Sklearn, библиотек для визуализации - Matplotlib, Plotly, фреймворков для построения нейросетей - Keras, TensorFlow.
3. читать и анализировать код написанный на языке Python
4. читать и анализировать методы библиотек для анализа данных, параметры их вызова
5. самостоятельно находить в интернете информацию о методах решения проблем, возникающих при разработке программного продукта

1. работы с официальной документаций по языку програмирования Python;
2. чтения кода, написанном на языке программирования Python;
3. чтение и анализ методов библиотек для анализа данных и параметров этих методов

1. методов машинного обучения
2. областей задач, решаемых с помощью машинного обучения (задачи обучения на размеченных данных; задачи обучения на неразмеченных данных)
3. синтаксиса основных библиотек для анализа данных – NumPy, SciPy, Pandas, Sklearn
4. методов визуализации
5. синтаксиса библиотек для визуализации данных - Plotly, Matplotlib
6. областей задач, решаемых с помощью нейросетей
7. основных архитектур нейросетей
8. синтаксиса фреймворков Keras, Tensorflow

1. осознанно подходить к выбору того или иного метода машинного обучения
2. использовать библиотеки Python для решения задач регрессии, классификации, понижения размерности
3. осознанно выбирать ту или иную визуализацию
4. использовать библиотеки Matplotlib и Plotly для визуализации данных.
5. осознанно строить архитектуру нейросети
6. использовать библиотеки Keras и TensorFlow для построения нейросети

1. создание программного кода на Python, который решает задачи регрессии и классификации;
2. создание кода, визуализирующего данные при помощи библиотек Matplotlib и Plotly
3. создание нейросетей с помощью фреймворков TensorFlow и Keras для построения нейросетей