Университет искусственного интеллекта: Интерактивный курс «Python для анализа данных»

Об университете
Курсы
Лаборатория
Открытые материалы

+7 (499) 648-67-44
info@neural-university.ru

Интерактивный курс
«Python для анализа данных»
освоение Python с нуля

3 месяца / 50 занятий / сертификат
Старт 21 октября / от 24 900 рублей

Забронировать минимальную цену

Почему Python?

Python - один из самых простых для освоения языков

Python - это сверхвысокоуровненый язык с простым синтаксисом

Python используют крупнейшие компании мира: Google, Facebook, Instagram, Dropbox

Например, часть Youtube и Youtube API написаны на Python

Python - это универсальная среда для научных расчётов

Python с пакетами NumPy, SciPy и MatPlotLib активно используется как универсальная среда для научных расчётов в качестве замены распространённым коммерческим пакетам Matlab, IDL и другим.
Например, библиотека Astropy — популярный инструмент для астрономических расчётов

Ведущие нейросетевые библиотеки в мире имеют API на Python

Tensorflow, PyTorch, Keras - это нейросетевые библиотеки, имеющие оболочки на языке Python. Библиотеки нацелены на оперативную работу с сетями глубинного обучения

Стартовая зарплата специалиста по анализу данных на Python 120.000 рублей

Согласно статистике сайта hh.ru, стартовая зарплата специалиста по анализу данных на Python (Junior Data Scientist) составляет 120.000 рублей

Python входит в 5-ку самых популярных языков программирования

Индекс TIOBE (TIOBE programming community index) — индекс, оценивающий популярность языков программирования, включает Python в 5-ку самых популярных языков программирования в 2019 году

Python (в русском языке распространено название питон) — высокоуровневый язык программирования, ориентированный на повышение производительности разработчика и читаемости кода

Синтаксис ядра Python минималистичен. В то же время стандартная библиотека включает большой объём полезных функций

Структура курса

Содержание занятия:

Почему Python?
Использование терминала
Установка Anaconda на Windows, Linux, macOS
Подключение к удаленным серверам, Putty/ssh
Запуск JupyterNotebook
Правила оформления кода: PEP8, PEP20, PEP257
Базовые операции: Python как калькулятор
Переменные и типы, преобразование типов
Базовые конструкции: условный оператор, конструкция if…else
Циклы: for, while

Задание для отработки:

Пользуясь инструкцией из лекции, установить Anaconda, запустить JupyterNotebook через терминал
Вывести «Hello World!»
Задача на условный оператор
Использование циклов
Пример: вывести по очереди все буквы в слове «Конкатенация», вывести только согласные, только уникальные символы; посчитать сумму чисел от 1 до 100

Содержание занятия:

Встроенные структуры:
- Список (list)
- Кортеж (tuple)
- Словарь (dict)
- Множество (set, frozenset)
Стек (stack) и очередь (queue)
Функции:
- Сигнатура
- Область видимости
- Аргументы по умолчанию
- Передача аргументов
- Lambda-функции
Исключения
Генераторы

Задание для отработки:

По одной задаче на использование каждой из структур
Переписать решение задачи из д.з. 1 с циклом for с использованием lambda-функции
Написать функцию, которая вычисляет взвешенное среднее
Добавить «защиту от дурака» в функцию из предыдущего задания, использовать исключения
Написать генератор, который бьет list на непересекающиеся подмножества константной длины

Содержание занятия:

Пакеты
Классы:
- Конструирование
- Атрибуты
- Методы
- Приватность
- Магические методы
- Наследование
- Абстрактный класс
- Множественное наследование

Задание для отработки:

Написать класс с заданными атрибутами и методами, сохранить в файлах .py
Подгрузить модуль/модули в новый ноутбук, продемонстрировать правильность работы коды

Содержание занятия:

Структура np.ndarray:
- Типы данных
- Индексация
- Арифметические операции
- Преобразование типов
- Операции с массивами
- Многомерные массивы
- Многомерная арифметика
Базовые статистические функции:
- np.sum, np.mean…
- Семплирование из распределений
Матричные операции
Линейная алгебра np.linalg

Задание для отработки:

Прочитать заранее подготовленные одномерные данные с помощью соответствующей функции в NumPy
Написать несколько простых функций, которые совершают заданные арифметические операции с данными (например, посчитать сумму всех элементов массива, сумму элементов не кратных 10)
Сравнить производительность по времени своих функций с функциями, встроенными в библиотеку
Подгрузить заранее подготовленный многомерный массив
Сделать подвыборку массива, соответствующую некоторым условиям, провести с ней заданные матричные операции
Написать функцию для поиска обратной матрицы к заданной, сравнить результат и производительность с встроенной в библиотеку функцией

Содержание занятия:

Отказ от циклов:
- Векторные операции
- Тензорные операции
Специальные структуры:
- Разреженные матрицы
- Матрицы Тоеплица scipy.linalg.toeplitz
- QR разложение
- LU разложение
- SVD разложение

Задание для отработки:

Написать функцию, которая считает сумму квадратов элементов заданного массива
Написать функцию, которая делает то же самое без использования циклов
Сравнить результат и производительность по времени
Задача на альтернативу циклу for c использованием матрицы Тоеплица
Имплементировать самостоятельно SVD разложение без использования циклов, сравнить результат со встроенной функцией

Содержание занятия:

Структуры pd.Series и pd.DataFrame
- Базовая функциональность
- Чтение данных из файлов разных типов
- Подвыборки
- Индексация, типы индексов
- Мультииндексация
- Конкатенация, Join нескольких таблиц
- Сводные таблицы

Задание для отработки:

Прочитать заранее подготовленные данные с использованием соответствующей функции в библиотеке Pandas
Вывести на экран подвыборку датасета, которая соответствует некоторым заданным условиям на значения по столбцам
Переименовать заданный столбец
Добавить новый столбец для суммы значений в заданных столбцах
Прочитать данные из второй заданной таблицы, сделать left join с первой
Сделать сводную таблицу с заданными параметрами
Сделать подвыборку сводной таблицы по заданным логическим условиям (использование мультииндекса)

Содержание занятия:

Datetime индекс
GroupBy
Оконные функции
Resampling
Встроенные статистические функции
Принципы работы с текстовыми данными

Задание для отработки:

Прочитать данные, преобразовать индекс в datetime
Посчитать simple moving average по окну заданной длины
Преобразовать минутные данные в 10-минутные
Преобразовать 10-минутные данные в минутные с использованием backfill метода
Задача на groupby: посчитать квантили, среднее, медиану для заданного уровня группировки
Задача на текстовые данные

Содержание занятия:

Отображение одномерных и двумерных данных
Свойства графика:
- Название осей
- Масштаб
- Масштабирование осей
- Варианты отрисовки
- Цветовая гамма
Оси: несколько графиков как один объект
- Общие оси
- Масштабирование, полярные координаты
Отрисовка категориальных данных
Диаграммы, гистограммы
Контурные графики
Heatmap
Отрисовка изображений, шкалы
Афинные преобразования изображений

Задание для отработки:

Построить график синуса, подписать оси
Построить график синусоиды в полярных координатах
Подгрузить известный стандартный датасет, например, Ирисы
Построить scatter plot нескольких определенных переменных на одном графике, добавить название графика, название осей, лейблы, обозначить цветом метки классов
Построить 4 графика переменных из датасета как один объект в логарифмической шкале, подобрать размер шрифта, масштаб, подписать каждый график
Построить гистограмму с заданным количеством бинов для определенной переменной из массива выше
Посчитать матрицу корреляций и построить heatmap
Пользуясь инструкцией, загрузить картинку .jpg и вывести на экран в черно-белых тонах, в цвете
Повернуть картинку под заданным углом и вывести изображение

Содержание занятия:

Отрисовка статистических взаимосвязей
Отрисовка категориальных данных
Визуализация распределений
Контроль основных параметров графиков

Задание для отработки:

Подгрузить известный стандартный датасет, например, еще раз Ирисы
Задать параметры графика: темный фон и разлиновкой (darkgrid), задать цветовую палитру на вкус студентов
Построить графики попарных зависимостей переменных с помощью встроенной функции
Построить boxplot, violinplot
Подгрузить стандартный датасет для задачи регрессии, например, bostonhouses, построить график с отрисовкой линии регрессии (sns.jointplot)
Построить гистограммы с отрисовкой распределения, используя встроенную функцию
На основе построенных графиков, сделать выводы о зависимостях в датасете

Содержание занятия:

Загрузка, чтение данных
Контроль пропущенных значений, варианты заполнения
Кодирование разных типов категориальных данных
Описательные статистики
Визуализация парных взаимосвязей
Визуализация распределений переменных
Heatmap матрицы подобия

Задание для отработки:

Выбрать известный стандартный датасет или использовать данные, которые вы хотели бы изучить для своих рабочих задач
Подгрузите данные, проверьте на наличие Nan/Null
Выберите способ заполнения пропусков или выбросите соответствующие строки, выбор обоснуйте
Если в датасете есть категориальные переменные, закодируйте их одним из описанных на лекции методов, выбор обоснуйте
Посчитайте среднее, медиану, стандартное отклонение и другие статистические показатели для всех числовых переменных
Постройте все, на ваш взгляд, релевантные графики из предыдущего домашнего задания, выбор обоснуйте
Посчитайте матрицу корреляций, нарисуйте heatmap с использованием библиотеки seaborn
Сделайте выводы о найденных взаимосвязях, подробно обоснуйте

Забронируйте
минимальную цену

Оставьте заявку и забронируйте цену 24.900р
вместо 34.900р

Чему вы научитесь за курс

Базовый синтаксис и основы программирования на языке Python

Установка Python-дистрибутива Anaconda и прочих вспомогательных инструментов, подключение к удаленным серверам для вычислений

Основные концепции научного программирования на Python: от работы с разными типами данных и встроенными структурами до написания собственных модулей

Проведение описательного анализа данных (EDA): от чтения и предобработки до поиска и визуализации взаимосвязей

Высокоуровневые векторные вычисления с использованием библиотек NumPy, SciPy

Манипуляции и анализ данных при помощи структур библиотеки Pandas

Визуализация с библиотеками Matplotlib, Seaborn

Ведущий курса
«Python для анализа данных»

Дмитрий Романов

Основатель Университета искусственного интеллекта

✓ 8 лет опыт разработки в области искусственного интеллекта;
✓ Создал первый в России нейро-компьютерный интерфейс;
✓ Реализовал более 10 проектов в области искусственного интеллекта;
✓ Победитель инновационных форумов;
✓ Публикации на ведущей конференции по нейронным сетям «Нейроинформатике».

Формат обучения

50 мини-занятий

Каждое занятие - это небольшое видео на 15-20 минут, раскрывающее одну небольшую тему

Все видео доступны вам на специальной обучающей платформе. Вы можете пересматривать важные моменты и освежать знания в памяти

Вы можете изучать занятия в любой удобной для вас последовательности

Задания для отработки

Для самостоятельной отработки вам будут доступны практические задания

Задания не обязательны, но мы очень рекомендуем отрабатывать их. При этом вы можете в любой момент перейти к следующему занятию

Поддержка куратора

Всё общение на курсе организовано на нашей обучающей платформе

Если у вас будут вопросы по материалу курса, напишите куратору, он поможет вам разобраться в теме занятия или практическом задании

Сертификат

По окончанию курса вы получите сертификат на фирменном бланке Университета

Стоимость обучения

Цена до 20.10

24.900

Цена с 21.10

34.900

Забронировать минимальную цену

Оплатить 24 900

Любые вопросы по курсу задавайте менеджеру

Артём Воронов-Гашев

Менеджер по работе с клиентами

Email: info@neural-university.ru
Телефон: +7 (499) 648-67-44
Whatsapp/viber: +7(918) 916-41-84

Интерактивный курс
«Python для анализа данных»
освоение Python с нуля

3 месяца / 50 занятий / сертификат
Старт 21 октября / от 24 900 рублей

Забронировать минимальную цену