Использование инструментария языка Python для проведения анализа данных

В данном модуле изучаются основные подходы, методы и модели Data mining, а также практические навыки применения встроенных средств языка Python 3, библиотеки визуализации данных Matplotlib и Seaborn, библиотеки работы с данными Pandas и NumPy, Библиотеки машинного обучения Scikit-learn, TensorFlow

Часов в программе

28,00 часов

лекции

63,00 часа

практика

68,00 часов

самостоятельная

4,00 часа

промежуточная аттестация

163,00 часа

всего

Материально-технические условия реализации программы:

Вид занятий: Практические и лекционные занятия
Требуемое ПО:
Python 3, Anaconda, Google Chrome

Информационные ресуры

1. https://docs.python.org/3.9/
2. https://scikit-learn.org/stable/
3. http://deeplearning.net/software/theano/
4. https://www.kaggle.com/ - портал машинного обучения (курсы, наборы данных).
5. https://archive.ics.uci.edu/ml/index.php - наборы данных для машинного обучения

Образовательные ресуры

1. Программирование на Python https://stepik.org/course/67/promo
2. Курс "АНАЛИЗ ДАННЫХ"(электронный образовательный ресурс, размещённый в ЭОС РЭУ им. Г.В. Плеханова) http://lms.rea.ru

Учебно-методические материалы

Методы, формы и технологии

Вид занятий: Лекции с использованием мультимедия, Практические задания – выполнение заданий для закрепления полученных знаний, а также обучение процедурно-ориентированному программированию на языке Python

Методические разработки

Китова. О.В. Цифровой бизнес [Электронный ресурс]: учебник / под науч. ред. О.В. Китовой. — М.: Инфра-М, 2018 — 418 с. – ISBN 978-5-16-013017-0/
Режим доступа: http://znanium.com/catalog/product/905363

Материалы курса

Воловиков, Б. П. Формирование концепции стратегического развития предприятия на основе систем искусственного интеллекта [Электронный ресурс] / Б. П. Воловиков. - М.: Инфра-М; Znanium.com, 2014. - 191 с. –
Режим доступа: http://www.znanium.com

Учебная литература

1. Паклин Н.Б., Орешков В.И. Бизнес-аналитика, От данных к знаниям(+СО): Учебное пособие. 2e иэд.испр. СПб.: Питер, 2013. 704 с.: ил.

2. Pete Chapman, Julian Clinton, Randy Kerber, Thomas Khabaza, Thomas Reinartz, Colin Shearer, and Rüdiger Wirth (2000); CRISP-DM 1.0 Step-by-step data mining guide

Темы

Тема 1. Методология анализа данных CRISP-DM Тема 2. Работа с данными с использованием библиотеки NumPy Тема 3. Манипуляции над данными с использованием библиотеки Pandas Тема 4. Визуализация данных с использованием библиотек Matplotlib и Seaborn Тема 5. Машинное обучение с использованием Scikit-learn Тема 6. Построение нейронных сетей с использованием Keras и TensorFlow