Процедурно-ориентированное программирование в прикладных задачах анализа данных в экономике

В рамках данной программы подразумевается изучение принципов разработки моделей машинного обучения с использованием библиотек python 3 для осуществления поддержки принятия управленческих решений в компаниях. Осваиваемые компетенции подходит для лиц, не имеющих специальных навыков и опыта в программировании и знаний статистики, что делает ее доступной широкому кругу слушателей.

Курс включает в себя изучение основных языковых конструкций языка Python 3, а так же получения практических навыков работы с библиотеками: NumPy, Pandas, Scikit-learn, Keras и TensorFlow. Так же в курсе рассматриваются библиотеки визуализации данных Seaborn и Matplotlib. Слушатели получат навыки работы со средой разработки Spyder, а также с интерактивной облачной средой Google Colab. Слушатели будут ознакомлены с принципами стандарта CRISP-DM для понимания жизненного цикла исследования данных.

Для оценки уровня освоения полученных в процессе обучения компетенций слушатели будут выполнять проекты по экономической тематике с использованием языка Python, состоящий из следующих этапов (согласно с целями стандарта CRISP-DM:

1. Постановка бизнес-задачи (определение бизнес-целей, оценка текущей ситуации, определение целей аналитики, подготовка плана анализа данных);
2. Начальное изучение данных (сбор данных, описание данных, изучение данных проверка качества данных);
3. Подготовка данных (Очистка данных, генерация данных, интеграция данных, форматирование данных)
4. Моделирование (выбор алгоритмов, подготовка плана тестирования, обучение моделей, проверка качества моделей)
5. Оценка (оценка результатов, оценка процесса, определение следующих шагов)
6. Внедрение (планирование мониторинга и поддержки, подготовка отчета, ревью проекта)

В результате освоения данной программы выпускник программы «Процедурно-ориентированное программирование в прикладных задачах анализа данных в экономике» должен:

Знать:

• Основные понятия и принципы Data mining;
• Структуру работ при выполнении работ по анализу данных согласно стандарту CRISP-DM
• Основные операторы языка Python;
• Основные типы данных языка программирования Python (в том числе понимание динамической типизации)
• Синтаксис создания переменных в языке Python
• Принцип работы встроенной функции вывода в консоль
• Синтаксис создания комментариев
• Синтаксис создания условного потока с использованием выражения if/else
• Понятие логических переменных при создании условных потоков
• Принципы использования логических операторов при составлении условий
• Принципы использования выражений try и except при проверке ошибок
• Понятия и способы задания строк в Python
• Функции работы со строками, встроенные в языке Python
• Принципы индексации строк и способы создания срезов строк
• Принцип иммутабельности строк
• Основные escape последовательности и синтаксис их применения в языке Python
• Синтаксис и принципы применения итерационных циклов с использованием конструкции for в языке Python
• Синтаксис и принципы применения циклов с выполнением условия с использованием конструкции while
• Способы создания списков в языке Python
• Функции работы со списком в языке Python
• Отличия списка от кортежа в языке Python
• Основное назначение функций в языках программирования
• Синтаксис и принципы создания функций в языке Python
• Синтаксис подключения библиотек в языке Python
• Понятие пространства имен и его назначение
• Понятие словарей в языке Python
• Синтаксис создания словарей в Python
• Использовать встроенные функции для работы со словарями в языке Python
• Основные форматы файлов данных, используемых в языке
• Синтаксис работы с файлами в языке Python
• Основные элементы и функции библиотеки NumPy
• Способы предварительного исследования данных с использованием библиотеки NumPy
• Методы и средства очистки данных в NumPy
• Основные элементы и функции библиотеки Pandas
• Способы предварительного исследования данных с использованием библиотеки Pandas
• Способы загрузки данных с использованием библиотеки Pandas
• Знать основные возможности построения визуализации посредством библиотек Matplotlib и Seaborn
• Основные инструменты библиотеки Scikit-learn для осуществления построения моделей машинного обучения
• Основные инструменты библиотеки TensorFlow для осуществления построения моделей искусственных нейронных сетей
• Основные способы оценки построенных моделей;
• Инструментарий библиотек машинного обучения языка Python 3 для проведения верификации моделей

Уметь:

• Планировать работы по проведению анализа данных с целью повышения эффективности управленческих решений;
• Выполнять простые математические вычисления на языке Python
• Выводить в консоль данные
• Создавать контролируемые потоки кода с использованием конструкций if/else
• Применять условные переменные при создании контролируемых потоков
• Использовать логические операторы при составлении сложных условий
• Проверять возможные ошибки при выполнении кода с использованием конструкции try и except
• Создавать строки на языке Python
• Применять встроенные функции работы со строками в языке Python
• Создавать срезы строк с использованием значений индексов строки
• Применять escape последовательности и синтаксис их применения в языке Python
• Создавать переменные и присваивать им значения различных типов данных
• Использовать среды разработки Spyder и Google colab для разработки на языке Python;
• Создавать итерационные циклы с использованием конструкции for в языке Python
• Создавать итерационные циклы с выполнением условия с использованием конструкции while в языке Python
• Создавать списки в языке Python
• Осуществлять работу со списками с использованием встроенных функций в языке Python
• Разделять исходную функциональность на функции
• Задавать функции с использованием синтаксиса языка Python
• Подключать библиотеки и модули языка Python
• Создавать Словари в языке Python
• Уметь редактировать созданные словари в языке Python
• Использовать встроенные функции для работы со словарями в языке Python
• Работать с файлами формата csv и json в языке Python
• Использовать библиотеку NumPy для предварительного анализа данных
• Использовать библиотеку NumPy для очистки данных
• Осуществлять матричные вычисления с использованием NumPy
• Использовать библиотеку Pandas для предварительного анализа данных
• Использовать библиотеку Pandas для очистки данных
• Использовать библиотеку Pandas для загрузки и манипулировании данных
• Использовать библиотеки Matplotlib и Seaborn для визуализации данных;
• Использовать библиотеку Scikit-learn для построения моделей машинного обучения;
• Использовать библиотеки TensorFlow и Keras для построения моделей машинного обучения;
• Использование библиотек Python для проведения верификации моделей;

Владеть:

• Навыками использования стандарта CRISP-DM
• Навыками создания переменных различных типов
• Навыками вывода данных в консоль
• Навыками применения операторов языка Python для выполнения вычислений
• Навыками создания условных потоков с использованием конструкций if/else
• Навыками создания условий с использованием условных операторов
• Навыками создания условных потоков с использованием конструкций try и except
• Навыками создания строк языке Python
• Навыками применения встроенных функций работы со строками языке Python
• Навыками создания срезов строк
• Навыками применения escape последовательности в языке Python
• Навыками применения цикла for для решения задач в языке Python
• Навыками применения цикла while для решения задач в языке Python
• Навыками работы со списками в языке Python
• Навыком применения встроенных функций работы со списками в языке Python
• Навыками структурирования кода с использованием функций
• Навыками создания функций в языке Python
• Навыками подключения библиотек Python
• Навыками создания словарей для решения задач
• Навыками использования встроенных функций для работы со словарями в языке Python
• Навыками использования встроенных функций Python для работы с файлами
• Навыками применения библиотеки NumPy в анализе данных
• Навыками применения библиотеки Pandas в анализе данных
• Навыками работы с библиотеками визуализации данных Matplotlib и seaborn.
• Навыками работы с библиотеками Scikit-learn для решения задач анализа данных
• Навыками построения искусственных нейронных сетей с использованием библиотеки TensorFlow и Keras
• Навыками проведения верификации с использованием библиотек языка Python;

Общекультурные

Профессиональные

Нет

• Высшее образование
• Среднее профессиональное образование