Знакомство с данными. Python для Анализа данных

1.Инструменты DS
2.Работа с числами в numpy
3.Введение в pandas
4.Очистка данных
5.Визуализация данных
6.Проект 1. Аналитика датасета по закрытым вопросам

Часов в программе

7,00 часов

лекции

10,00 часов

практика

18,00 часов

самостоятельная

5,00 часов

промежуточная аттестация

40,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: внеаудиторные
Требуемое ПО:
Процессор Intel Pentium Silver N5030 1.1 ГГц
Оперативная память (RAM) от 4 ГБ
Операционная система: Windows 10, macOS
Стабильный интернет: от 5/мбит с

Информационные ресуры

-Онлайн курс “Математическая статистика” https://stepik.org/course/326/promo (ОПК-2, ПК-2)
-Документация по работе с Pickle: https://docs.python.org/3/library/pickle.html (ПК-7)
-Документация по работе с Joblib: https://joblib.readthedocs.io/en/latest/ (ПК-7)
-Официальная документация virtualenv https://virtualenv.pypa.io/en/latest/ (ПК-7)
-Список команд Docker https://docs.docker.com/engine/reference/run/ (ПК-7)
-Обновляемый список ресурсов и плагинов для Flask https://github.com/humiaozuzu/awesome-flask (ПК-7)
-Официальное руководство RabbitMQ на русском языке (ПК-7)
-Youtube канал для дополнительного изучения нейронных сетей Arxiv Insights https://www.youtube.com/watch?v=JgvyzIkgxF0&feature=youtu.be (ОПК-2)
-Видео курс «Essence of linear algebra» https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab (ОПК-2)
-Онлайн курс «Convex Optimization»: https://lagunita.stanford.edu/courses/Engineering/CVX101/Winter2014/about (ОПК-2, ПК-2)

Образовательные ресуры

Учебно-методические материалы

Методы, формы и технологии

Формы подачи материала:
-видео
-текст
Методы:
-асинхронная работа студента на платформе
-синхронная работа на вебинарах с преподавателями
-самостоятельная работа (выполнение заданий)

Методические разработки

Методические разработки:
1.Анализ рынок конкурентов — изучаем, что предлагают другие школы — и рынок вакансий, чтобы давать востребованные знания и навыки.
2.Проработка критериев по набору экспертов и авторов программы
3.Разработка контента в обучающие материалы и проектирование структуры курса
4.Анализ рынка вакансий на предмет актуальности знаний
5.Создание авторами модулей программы.
6.Каждый урок проходит многоуровневое ревью — эксперта, методиста, редактора, студента-тестировщика.
7.Чередование форматов подачи информации (текст — видео— таблица).
8.Обязательно предоставление ссылок на дополнительные источники — документацию и полезные статьи, которые помогут лучше понять тему и расширят кругозор студента
9.В конце каждой темы у нас есть:
-итоговое тестирование, чтобы привести знания теории всистему, большая практическая задача для закрепления всех необходимых навыков модуля.
10.Обработка обратной связи от студентов по каждому модулю

Материалы курса

-Обзор Инструментов DS и зачем они нужны
-ОС для DS
-Что такое IDE
-Установка и настройка VSCode
-Обзор базовых функций
-Anaconda и Jupyter
-Плагины
-Работа с github
-Модуль pandas и его объекты (Series, Dataframe)
-Создание датафреймов различными способами
-Исследование структуры данных
-Использование индексов и фильтрация данных
-Анализ данных в датафреймах: типы серий и диапазоны значений
-Работа с пропущенными значениями
-Работа с дубликатами
-Обзор диаграмм в примерах
-Базовые возможности matplotlib
-Детальная настройка графиков: название, оси, сетка, цвета рядов
-Обзор библиотеки seaborn
-Обзор библиотеки plotly

Учебная литература

1.Основы программирования на языке Python / Златопольский Д..– М.: ДМК Пресс, 2017.– 284 с.: ил
2.Python для сложных задач. Наука о данных и машинное обучение / Вандер Плас Дж. - СПб.: Питер, 2019 - цифровая книга. (ОПК-3)

Темы

Инструменты DS Работа с числами в numpy Введение в pandas Очистка данных Визуализация данных Проект 1. Аналитика датасета по закрытым вопросам