“Python: Pengantar Analisis Data” - kursus RUB 30.000. dari MSU, pelatihan 4 minggu. (1 bulan), Tanggal: 30 November 2023.
Miscellanea / / December 03, 2023
Program pelatihan lanjutan ditujukan untuk memperoleh keterampilan dalam bekerja dengan bahasa pemrograman Python untuk analisis data besar.
Durasi pelatihan – 36 jam (24 jam pelajaran di kelas dengan seorang guru, 12 jam belajar materi secara mandiri).
Bentuk studi – tatap muka dengan kemungkinan koneksi jarak jauh.
Biaya pendidikan 30.000 rubel.
Mulai dari kelas - musim gugur tahun ajaran 2023.
Perjanjian pelatihan dibuat dengan individu dan badan hukum.
Pendaftaran kursus dilakukan melalui email [email protected] (untuk perorangan).
Anda dapat menghubungi pengelola kursus, Anton Martyanov, untuk mendaftar atau memiliki pertanyaan melalui WhatsApp atau Telegram di +79264827721.
1. Perpustakaan bahasa pemrograman Python.
Tujuan pokok dan fungsi perpustakaan;
Jenis perpustakaan untuk analisis data: Pandas, Numpy, Statsmodels, Sklearn, Seabourne;
Jenis perpustakaan untuk visualisasi data;
2. Tipe dan struktur data dengan Python.
Jenis tipe data: Integer, float, bool, srting, objek;
Jenis struktur data: Kerangka data, seri, larik, tupel, daftar, dll.;
3. Memuat data ke dalam program dan analisis awal.
Memuat data dalam format berbeda (xlsx, csv, html, dll.);
Penentuan jumlah baris dan kolom;
Mengidentifikasi nilai-nilai yang hilang;
Mengidentifikasi tipe data dalam matriks;
4. Fungsi Python untuk analisis data.
Fungsi untuk memperoleh statistik deskriptif (mencari max, min, mean, median, kuartil);
Fungsi untuk memvisualisasikan kepadatan sebaran data (Distribusi Normal Gaussian);
Fungsi untuk membuat variabel biner (dummies var);
Fungsi algoritma pembelajaran mesin untuk membangun model (kuadrat terkecil, mesin vektor dukungan, hutan acak, regresi logistik, deret waktu);
5. Konstruksi model regresi.
Tujuan membangun regresi linier dengan menggunakan metode kuadrat terkecil;
Mengajukan hipotesis dan menetapkan masalah (berdasarkan data kerja);
Membangun model regresi dengan Python;
Penilaian signifikansi koefisien yang diperoleh dan model secara keseluruhan (t-statistik, F-statistik);
Penilaian kualitas model (R2);
Memeriksa asumsi Gauss-Markov;
Interpretasi dari hasil yang diperoleh;
6. Konstruksi model klasifikasi.
Algoritma Hutan Acak;
Regresi logistik;
Mendukung Mesin Vektor;
Alamat
119991, Moskow, st. Leninskie Gory, 1, gedung. 51, lantai 5, ruang 544 (kantor Dekan)
Universitas