Интерактивный курс
«Python для анализа данных»
освоение Python с нуля
Забронировать минимальную цену
Оставьте заявку, и менеджер зафиксирует цену
Нажимая на кнопку, я соглашаюсь с политикой конфиденциальности.
Заказать звонок
Оставьте заявку, и менеджер свяжется с вами
Нажимая на кнопку, я соглашаюсь с политикой конфиденциальности.
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.
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 2020 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.
Синтаксис ядра Python минималистичен. В то же время стандартная библиотека включает большой объём полезных функций.
Программа курса
Введение в Python, базовые конструкции, циклы
Содержание занятия:
Задание для отработки:
- 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
Структуры данных
Содержание занятия:
Задание для отработки:
- 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
Модули
Содержание занятия:
Задание для отработки:
- 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
Научные вычисления с NumPy
Содержание занятия:
Задание для отработки:
- 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
Научные вычисления с NumPy и SciPy
Содержание занятия:
Задание для отработки:
- 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
Обработка данных с Pandas I
Содержание занятия:
Задание для отработки:
- 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)
Обработка данных с Pandas II
Содержание занятия:
Задание для отработки:
- 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
Визуализация данных с Matplotlib
Содержание занятия:
Задание для отработки:
- 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
Визуализация данных с Seaborn
Содержание занятия:
Задание для отработки:
- 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
Пайплайн описательного анализа данных с Python
Содержание занятия:
Задание для отработки:
- 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
Оставьте заявку на консультацию
И наш менеджер подберет для вас индивидуальную программу обучения.
В результате прохождения курса вы будете знать:
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»
«Python для анализа данных»
Олег Конорев
г. Москва
Занимается применением классического машинного обучения и нейронных сетей в различных задачах, связанных с обработкой естественного языка (NLP). Опыт разработки моделей для распознавания образов на изображениях. Технологии и инструменты: Python 3, Pandas, Matplotlib, Numpy, scikit-learn, Keras/Tensorflow.
Куратор курса
Марат Хайдаров
г. Казань
Техническое образование: Инженер автоматизированных систем обработки информации и управления.
Дополнительное образование: "Neural Networks and Deep Learning", Coursera
Опыт работы: Senior SCM Analyst; Logistics Supervisor в Ford Sollers Holding - более 5 лет (задачи: предиктивная аналитика, автоматизация и оптимизация процессов, оценка и улучшение ключевых метрик департамента).
В Университете ИИ решал задачи в областях: классификация текстов, генерация текстов(чат-боты), распознавание объектов, распознавание речи, обучение с подкреплением, сети с вниманием.
Дополнительное образование: "Neural Networks and Deep Learning", Coursera
Опыт работы: Senior SCM Analyst; Logistics Supervisor в Ford Sollers Holding - более 5 лет (задачи: предиктивная аналитика, автоматизация и оптимизация процессов, оценка и улучшение ключевых метрик департамента).
В Университете ИИ решал задачи в областях: классификация текстов, генерация текстов(чат-боты), распознавание объектов, распознавание речи, обучение с подкреплением, сети с вниманием.
Формат обучения
Видеоуроки
Каждое занятие – это небольшое видео, раскрывающее одну тему.
Все видео будут доступны на специальной обучающей платформе. Вы можете пересматривать важные моменты и освежать знания в памяти.
Вы можете изучать занятия в любой удобной для вас последовательности.
Все видео будут доступны 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.
Задания не обязательны, но мы очень рекомендуем отрабатывать их.
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.
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.
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/telegram:
+7(918) 916-41-84
Телефон: +7 (499) 648-67-44
Whatsapp/viber/telegram:
+7(918) 916-41-84
Интерактивный курс
«Python для анализа данных»
освоение Python с нуля