PYTHON для анализа данных 

Модуль 1: Введение и Среда разработки

1. Введение в анализ данных
   • Основные понятия и цели анализа данных
   • Примеры использования анализа данных в реальных проектах
2. Установка и настройка Python и Jupyter Lab
   • Установка Python и Jupyter Lab
   • Основные возможности и интерфейс Jupyter Lab
3. Основы Python
   • Быстрый обзор синтаксиса Python: типы данных, переменные, условные операторы и циклы
4. Основы Numpy
   • Основные массивы и операции с ними
   • Основные математические функции и статистические методы

Примеры на Python:

• Работа с массивами Numpy, арифметические операции, агрегатные функции

Лабораторная работа 1: Работа с Jupyter Lab и Numpy (создание массивов, выполнение базовых операций и построение простых графиков)

Модуль 2: Обработка данных с Pandas

1. Введение в Pandas
   • Основные понятия и структура DataFrame
   • Создание, чтение и запись DataFrame
2. Работа с DataFrame
   • Основные операции: фильтрация, сортировка, группировка и агрегатные функции
   • Преобразование данных: работа с пропущенными значениями, дублирование данных
3. Объединение данных
   • Соединение, объединение, слияние DataFrame

Примеры на Python:

• Работа с реальными данными в DataFrame, примеры загрузки и манипуляции данных

Лабораторная работа 2: Создание и манипуляция DataFrame в Pandas (работа с набором данных, выполнение различных операций и преобразований)

Модуль 3: Визуализация данных с Matplotlib и Seaborn

1. Основы Matplotlib
   • Установка и основные принципы работы
   • Простые графики: линейные, столбчатые, гистограммы и круговые диаграммы
2. Расширенные возможности Matplotlib
   • Настройка графиков: оси, метки, легенды и стиль
3. Введение в Seaborn
   • Основные возможности и интеграция с Matplotlib
   • Визуализация категориальных данных и тепловых карт

Примеры на Python:

• Построение различных графиков для анализа реальных данных

Лабораторная работа 3: Визуализация данных с Matplotlib и Seaborn (создание и настройка различных типов графиков для различных наборов данных)

Модуль 4: Подготовка данных для машинного обучения и Feature Engineering

1. Подготовка данных
   • Очистка данных: работа с пропущенными значениями, выявление и обработка выбросов
   • Преобразование данных: нормализация, стандартизация, кодирование категориальных данных
2. Feature Engineering
   • Процесс создания новых признаков из существующих данных
   • Методы выбора признаков

Примеры на Python:

• Подготовка данных для машинного обучения, создание новых признаков и выбор важных признаков

Лабораторная работа 4: Подготовка данных и Feature Engineering (очистка данных, преобразование данных и создание новых признаков для набора данных)

Модуль 5: Введение в машинное обучение и глубокое обучение с TensorFlow

1. Основы машинного обучения
   • Введение в машинное обучение: основные концепции и терминология
   • Основные алгоритмы: линейная регрессия, классификация, кластеризация
2. Введение в TensorFlow
   • Установка и основные принципы работы
   • Создание и обучение моделей с использованием TensorFlow
3. Основы глубокого обучения
   • Основные концепции и архитектуры нейронных сетей
   • Обучение моделей глубокого обучения с использованием Keras

Примеры на Python:

• Обучение простых моделей машинного обучения и глубокого обучения с использованием TensorFlow и Keras

Лабораторная работа 5: Создание и обучение моделей машинного и глубокого обучения (реализация простых моделей, их обучение и оценка на реальных данных)