Анализ данных на Python

Дорогие студенты!

Это страница обязательного курса «Анализ данных на Python», читаемого на программе «Разработка информационных систем для бизнеса»
2 курса бакалавриата в 4 модуле 2023-2024 учебного года.

Занятия ведёт: Тамбовцева Алла Андреевна.

Правила игры

Формула оценки: 0.4 × Лабораторные работы + 0.2 × ДЗ1 + 0.25 × ДЗ2 + 0.15 × ДЗ3.

Пояснения:

• Лабораторные работы: небольшие домашние задания, обязательные к выполнению к следующему занятию.
  Могут включать задачи на закрепление пройденного материала или задачи, предполагающие самостоятельное
  изучение небольших блоков по основам Python по предложенных материалам (конспекты или видео).
  Всего запланировано 8 лабораторных работ с одинаковым весом.
• Домашние задания: объёмные домашние задания по итогу нескольких пройденных тем. Представляют собой
  индивидуальные мини-проекты, в которых необходимо поработать с предложенными данными по инструкции
  и проинтерпретировать предложенные результаты.
• Поздняя сдача лабораторных работ не предусмотрена.
• Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов:
  опоздание в пределах часа – штраф 10% от полученной оценки, в пределах суток – штраф 30%.
  Домашние задания, сданные позже, не принимаются и не оцениваются.

Среда для работы

Перед занятиями необходимо установить дистрибутив Anaconda (скачать можно здесь), который включает в себя
интерпретатор языка Python, библиотеки для обработки, анализа и визуализации данных, а также среду для работы
Jupyter Notebook. Также есть возможность работать в Jupyter Notebook онлайн, используя ресурс Google Colab
(для создания и редактирования файлов нужен аккаунт Gmail).

Подробности по установке и работе – см. ниже в неделе 0.

Материалы курса

Неделя 0. Напоминания про Python и Jupyter Notebook

Для подготовки к работе на курсе можно ознакомиться со следующими материалами онлайн-курса:

• Видео. Подготовка рабочего места, инструкция по открытию файлов в Jupyter Notebook.
• Видео. Первая программа, задачи для тренировки.

А также с материалами по работе в Jupyter Notebook и Google Colab:

• Запуск Jupyter без Anaconda Navigator (инструкция).
• Работа в Jupyter Notebook (видео), работа в Google Colab (видео).

Дополнительно:

• Набор текста в Jupyter (видео, ipynb).
• Markdown: больше про Markdown, знакомство с Jupyter Notebook и Markdown (читать, ipynb).
• LaTeX: Overleaf, документация, материалы других курсов по LaTeX.

Неделя 1. Индексируемые структуры данных в Python

• «Сырые» ipynb-файлы с занятий: группа 1, группа 2, группа 3, группа 4.
• Обзор индексируемых структур данных в Python: строки, кортежи, списки (ipynb).
• Цикл for и его аналоги: списковые включения и функция map() (ipynb).

Дополнительно:

• Визуализатор кода от Pythontutor.
• Методы на списках (ipynb), методы на строках (ipynb).

Лабораторная работа 1. Условные конструкции и индексируемые структуры

Для выполнения лабораторной работы необходимо знать формулировку логических выражений
и конструкцию if-elif-else в Python. Для этого (на выбор) можно:

• Прослушать материал темы 2 Условия и логические выражения онлайн-курса «Python как иностранный».
• Прочитать конспект лекции Логические выражения и условные конструкции.
• Изучить материалы онлайн-учебника Pythontutor.

Также могут пригодиться дополнительные материалы по методам на списках из недели 1.

Лабораторная работа	Задания	Дедлайн	Куда сдавать
Лабораторная работа 1	ipynb	13 апреля 11:30	ссылка на Dropbox

Неделя 2. Знакомство с массивами NumPy

• «Сырые» ipynb-файлы с занятий: пара 1, пара 2.
• Списки vs массивы (ipynb).
• Описание выборки, сохранённой в массив (ipynb).