“Python: Introducción al análisis de datos” - curso 30.000 rublos. de MSU, entrenando 4 semanas. (1 mes), Fecha: 30 de noviembre de 2023.
Miscelánea / / December 03, 2023
El programa de formación avanzada tiene como objetivo adquirir habilidades para trabajar con el lenguaje de programación Python para el análisis de big data.
Duración del entrenamiento – 36 horas (24 horas de clases presenciales con un profesor, 12 horas de estudio independiente de los materiales).
forma de estudio – Presencial con posibilidad de conexión remota.
costo de la educación 30.000 rublos.
inicio de clases - año académico otoño 2023.
Se celebran convenios de formación con personas físicas y jurídicas.
La inscripción a los cursos se realiza por correo electrónico [email protected] (para particulares).
Puede comunicarse con el administrador del curso, Anton Martyanov, para registrarse o si tiene preguntas a través de WhatsApp o Telegram al +79264827721.
1. Bibliotecas del lenguaje de programación Python.
Principales propósitos y funciones de las bibliotecas;
Tipos de bibliotecas para análisis de datos: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Tipos de bibliotecas para visualización de datos;
2. Tipos y estructuras de datos en Python.
Tipos de tipos de datos: entero, flotante, bool, srting, objeto;
Tipos de estructuras de datos: Dataframe, series, array, tuplas, listas, etc.;
3. Carga de datos al programa y análisis preliminar.
Carga de datos en diferentes formatos (xlsx, csv, html, etc.);
Determinar el número de filas y columnas;
Identificar valores faltantes;
Identificar tipos de datos en una matriz;
4. Funciones de Python para análisis de datos.
Funciones para obtener estadísticas descriptivas (encontrar máximo, mínimo, media, mediana, cuartiles);
Funciones para visualizar la densidad de la distribución de datos (distribución gaussiana normal);
Funciones para crear variables binarias (var dummies);
Funciones de algoritmos de aprendizaje automático para la construcción de modelos (mínimos cuadrados, máquinas de vectores de soporte, bosque aleatorio, regresión logística, series de tiempo);
5. Construcción de modelos de regresión.
El propósito de construir regresiones lineales utilizando el método de mínimos cuadrados;
Proponer hipótesis y plantear un problema (basado en datos de trabajo);
Construyendo un modelo de regresión en Python;
Evaluación de la importancia de los coeficientes obtenidos y del modelo en su conjunto (estadística t, estadística F);
Evaluación de la calidad del modelo (R2);
Comprobación de los supuestos de Gauss-Markov;
Interpretación de los resultados obtenidos;
6. Construcción de modelos de clasificación.
Algoritmo de bosque aleatorio;
Regresión logística;
Máquinas de vectores soporte;
DIRECCIÓN
119991, Moscú, calle. Leninskie Gory, 1, edif. 51, 5to piso, sala 544 (Oficina del Decano)
Universidad