Анализ данных на Python: различия между версиями

Материал из MathINFO
Перейти к навигации Перейти к поиску
Строка 41: Строка 41:
 
* Markdown: [https://gist.github.com/Jekins/2bf2d0638163f1294637 больше] про Markdown, знакомство с Jupyter Notebook и Markdown ([https://nbviewer.jupyter.org/github/allatambov/allatambov.github.io/blob/master/icef/seminars/intro-jupyter.ipynb читать], [http://allatambov.github.io/icef/seminars/intro-jupyter.ipynb ipynb]).
 
* Markdown: [https://gist.github.com/Jekins/2bf2d0638163f1294637 больше] про Markdown, знакомство с Jupyter Notebook и Markdown ([https://nbviewer.jupyter.org/github/allatambov/allatambov.github.io/blob/master/icef/seminars/intro-jupyter.ipynb читать], [http://allatambov.github.io/icef/seminars/intro-jupyter.ipynb ipynb]).
 
* LaTeX: [https://www.overleaf.com/ Overleaf], [https://www.overleaf.com/learn документация], [https://github.com/allatambov/Latex материалы] других курсов по LaTeX.
 
* LaTeX: [https://www.overleaf.com/ Overleaf], [https://www.overleaf.com/learn документация], [https://github.com/allatambov/Latex материалы] других курсов по LaTeX.
 +
 +
<!---
 +
===Неделя 1. Индексируемые структуры данных в Python===
 +
 +
* Обзор неиндексируемых структур данных в Python: строки, кортежи, списки.
 +
* Функции range(), zip(), enumerate() и соответствующие им объекты.
 +
* Цикл for и его аналоги: списковые включения и функция map().
 +
 +
===Лабораторная работа 1. Методы на списках и цикл for===
 +
 +
 +
--->

Версия 20:17, 4 апреля 2024

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:

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

Дополнительно: