Назад
Основы Data Science на языке Python
Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский экономический университет имени Г.В. Плеханова"
Описание
Программа рассчитана на людей без опыта программирования и анализа данных и начинается с самых основ: изучения базового синтаксиса языка Python и введения в теорию вероятностей и статистический анализ данных. Далее вы изучите методы машинного и глубинного обучения, а также основные способы работы с большими данными. Все теоретические материалы закрепляются практическими кейсами.
Программа рассчитана на полгода и включает в себя 178 аудиторных академических часов занятий с преподавателем и 104 часа самостоятельной работы.
По итогам освоения программы вы:
- получите актуальные знания в одной из самых востребованных областей 21 века;
- сможете претендовать на позицию Junior Data Scientist;
- автоматизируете процессы сбора и анализа данных на вашей текущей позиции;
- станете более востребованным специалистом.
Данная образовательная программа посвящена анализу данных и машинному обучению для решения самых разнообразных бизнес-задач. Рассматриваются задачи бинарной и многоклассовой классификации, кластеризации и регрессии. Изучаются все популярные методы машинного обучения: линейные и нелинейные регрессии, логит и пробит модели, метод опорных векторов, решающие деревья, случайный лес, градиентный бустинг, нейронные сети и т.д. На занятиях рассматривается решение практических кейсов из самых разных областей (от кредитного скоринга до распознования образов), что позволяет слушателям отточить аналитические навыки на реальных данных.
#Data Science
#Python
#программирование
#анализ данных
#аналитика
Курс подойдет для людей без опыта программирования и анализа данных, желающих освоить программирования, статистической обработки данных и машинного обучения для решения самых разнообразных задач в маркетинге, кредитной аналитике, страховании, HR-аналитике, промышленной статистике, области распознования образов и речи, риск-аналитике и многих других сферах.
В результате обучения слушатель научится выполнять математические вычисления и строить модели машинного обучения на языке Python.
В процессе освоения образовательной программы слушатели осваивают навыки программирования в среде Python, а также статистический инструментарий для анализа Больших данных. Формируются компетенции по back-end по разработке автоматизированных информационных систем для решения прикладных задач по аналитике данных в различных областях бизнеса.
Для успешного освоения данной программы выпускник программы «Основы Data Science на языке Python» должен:
Знать:
- базовые математические методы и компьютерные технологии для сбора, обработки и анализа информации;
Уметь:
- использовать современные компьютерные технологии для поиска информации в сети Интернет для решения поставленной задачи, критического анализа этой информации и обоснования принятых идей и подходов к решению;
Владеть:
- основными методами, способами и средствами получения, хранения, переработки информации;
- способностью анализировать социально значимые проблемы и процессы;
- навыками работы с персональным компьютером на пользовательском уровне;
- навыками работы с компьютером как средством управления информацией, способностью работать с информацией в глобальных компьютерных сетях.
Полученные знания и навыки слушатели смогут применять в маркетинге, кредитной аналитике, страховании HR-аналитике, промышленной статистике, области распознавания образов и речи, риск-аналитике и многих других сферах.
Данная образовательная программа позволяет слушателям решать практические задачи в самых разнообразных предметных областях, заниматься back-end разработкой модулей, позволяющих в автоматическом режиме проводить выгрузку, моделирование, вывод и интерпретацию результатов, которые могут быть использованы в качестве рекомендательных систем.
К освоению программы допускаются лица, имеющие высшее или среднее профессиональное, образование, владеющие основами экономических и математических дисциплин (в объёме базовой части, читаемой всем специальностям в вузах) и являющиеся уверенными пользователями персонального компьютера.
Часов в программе
Цель программы
Актуальность
Входная диагностика 2 часа
Итоговая аттестация 24 часа
Компетенции
Профессиональные
Навык использования основных типов данных, операторов и переменных языка Python
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.
Выполнять простые математические вычисления на языке Python.
Выводить в консоль данные.
Создавать переменные и присваивать им значения различных типов данных.
Использовать среды разработки Spyder и Google colab для разработки на языке Python.
Навыками создания переменных различных типов.
Навыками вывода данных в консоль.
Навыками применения операторов языка Python для выполнения вычислений.
Навыки создания условных операторов if/else/elif
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.
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.
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.
Навык работы с текстовыми данными в языке Python
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.
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.
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.
Навык создания циклов 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.
Создавать итерационные циклы с использованием конструкции for в языке Python.
Создавать итерационные циклы с выполнением условия с использованием конструкции while в языке Python.
Навыками применения цикла for для решения задач в языке Python.
Навыками применения цикла while для решения задач в языке Python.
Навык работы со словарями, списками, множествами и кортежами в среде Python
Способы создания списков в языке Python.
Синтаксис создания словарей в Python.
Функции работы со списком в языке Python.
Отличия списка от кортежа в языке Python.
Создавать списки в языке Python.
Использовать встроенные функции для работы со словарями в языке Python.
Осуществлять работу со списками с использованием встроенных функций в языке Python.
Навыками работы со списками в языке Python.
Навыками использования встроенных функций для работы со словарями в языке Python.
Навыком применения встроенных функций работы со списками в языке Python.
Навык создания пользовательских функций и классов в языке Python
Основное назначение функций в языках программирования.
Синтаксис и принципы создания функций в языке Python.
Разделять исходную функциональность на функции.
Задавать функции с использованием синтаксиса языка Python.
Навыками структурирования кода с использованием функций.
Навыками создания функций в языке Python.
Навыки работы с файлами в среде Python
Основные форматы файлов данных, используемых в языке
Синтаксис работы с файлами в языке Python
Работать с файлами формата csv и json в языке Python
Владеть:Навыками использования встроенных функций Python для работы с файлами
Навык построения линейной регрессии в среде Python
Основные инструменты библиотеки Scikit-learn для построения линейной регрессии.
Основные способы оценки построенных моделей.
Использовать библиотеку Scikit-learn для построения линейной регрессии.
Владеть:Навыками работы с библиотеками Scikit-learn для построения линейной регрессии.
Навык построения логистической регрессии и SVM в среде Python
Основные инструменты библиотеки Scikit-learn для построения логистической регрессии и SVM.
Основные способы оценки построенных моделей.
Использовать библиотеку Scikit-learn для построения логистической регрессии и SVM.
Владеть:Навыками работы с библиотеками Scikit-learn для построения логистической регрессии и SVM.
Навык построения моделей многоклассовой классификации в среде Python
Основные инструменты библиотеки Scikit-learn для построения моделей многоклассовой классификации.
Основные способы работы с текстовыми признаками.
Использовать библиотеку Scikit-learn для построения моделей многоклассовой классификации.
Владеть:Навыками работы с библиотеками Scikit-learn для построения моделей многоклассовой классификации.
Навык построения решающих деревьев, моделей случайного леса и градиентного бустинга
Основные инструменты библиотеки Scikit-learn для построения решающих деревьев, моделей случайного леса и градиентного бустинга.
Основные способы оценки построенных моделей.
Использовать библиотеку Scikit-learn для построения решающих деревьев, моделей случайного леса и градиентного бустинга.
Владеть:Навыками работы с библиотеками Scikit-learn для построения решающих деревьев, моделей случайного леса и градиентного бустинга.
Навык проведения кластеризации в среде Python
Основные инструменты библиотеки Scikit-learn для построения дендрограмм, метода k-средних и EM-алгоритма.
Основные способы оценки качества кластеризации.
Использовать библиотеку Scikit-learn для построения дендрограмм, метода k-средних и EM-алгоритма.
Владеть:Навыками работы с библиотеками Scikit-learn для построения дендрограмм, метода k-средних и EM-алгоритма.
Умение осуществлять построение моделей машинного обучения с использованием библиотеки Sickit-learn и TensorFlow
Основные инструменты библиотеки Scikit-learn для осуществления построения моделей машинного обучения.
Уметь:Использовать библиотеку Scikit-learn для построения моделей машинного обучения.
Владеть:Навыками работы с библиотеками Scikit-learn для решения задач анализа данных.
ПК 1. Способность выявлять, формировать и согласовывать требования к результатам аналитических работ с применением технологий больших данных
• методы машинного обучения
• стратегии создания рекомендательных систем
• методы сбора и обработки данных в сети Интернет
• типовые методы анализа данных;
• основные алгоритмы анализа данных
• проводить математический анализ больших данных • создавать, настраивать, сопровождать и анализировать работу рекомендательных систем; • работать с открытыми данными
Владеть:• утилитами и библиотеками
• потоковой обработкой данных
• реляционной системой управления базами данных MySQL
ПК 3. Способность проводить аналитические исследования с применением технологий больших данных в соответствии с требованиями заказчика
• стратегии создания рекомендательных систем
• методы сбора и обработки данных в сети Интернет
• типовые методы анализа данных
• основные алгоритмы анализа данных
• основы реляционных баз данных
• проводить математический анализ больших данных
• создавать модели машинного обучения для анализа данных
• проводить интеграцию обученных моделей в ИС организации
• создавать, настраивать, сопровождать и анализировать работу рекомендательных систем
• работать с открытыми данными
• осуществлять аналитику маркетинговой активности
• устанавливать и настраивать основные системы аналитики
• библиотеками Python: Numpy, Matplotlib, Scikit-learn
ПК 5. Способность управлять получением, хранением, передачей и обработкой больших данных
• методы сбора и обработки данных в сети Интернет
• типовые методы анализа данных
• основные алгоритмы анализа данных
• создавать модели машинного обучения для анализа данных
• проводить интеграцию обученных моделей в ИС организации
• создавать, настраивать, сопровождать и анализировать работу рекомендательных систем
• работать с открытыми данными
• осуществлять аналитику маркетинговой активности
• устанавливать и настраивать основные системы аналитики
• статистическими методами анализа больших данных
• методами препроцессинга данных
ПК 6. Способность осуществлять кодирование на языках Python для работы с большими данными
• основы языка программирования Python; • алгоритмы и структуры данных на Python; • основы высшей математики; • теорию вероятностей; • методы математической статистики
Уметь:• работать с библиотеками Python: Numpy, Matplotlib, Scikit-learn; • осуществлять кодирование ИС на языке Python
• проводить математический анализ больших данных; • создавать модели машинного обучения для анализа данных
• методами машинного обучения
• методами математической статистики
Требования
Нет
Образование
- Высшее образование
- Среднее профессиональное образование
Квалификация
Модули
свернуть
94,00ч
170,00ч
94,00ч
170,00ч
Преподаватели
Моисеев
Никита Александрович
Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский экономический университет имени Г.В. Плеханова"
Профессор кафедры математических методов в экономике
Ph.D. in economics
https://www.rea.ru/ru/org/employees/Pages/Moiseev-Nikita-Aleksandrovich.aspx?ysclid=l5b2jf9pfz959429570Профстандарт
Специалист по большим данным
06.042Ответственный за программу
+7(926)9145350