Основы анализа данных в Python: различия между версиями

Материал из MathINFO
Перейти к навигации Перейти к поиску
Строка 34: Строка 34:
  
 
=== Неделя 1. Шкалы данных. Описание данных. ===
 
=== Неделя 1. Шкалы данных. Описание данных. ===
 +
 +
Очные занятия:
  
 
* Шкалы данных ([https://disk.yandex.ru/i/I3A_RUQdVoguvw слайды]).
 
* Шкалы данных ([https://disk.yandex.ru/i/I3A_RUQdVoguvw слайды]).
 
* Практикум 1. Массивы NumPy ([https://github.com/allatambov/PyDat24/blob/main/w01-practice.ipynb w01-practice.ipynb]), решения ([https://github.com/allatambov/PyDat24/blob/main/w01-practice-solutions.ipynb w01-practice-solutions.ipynb]).
 
* Практикум 1. Массивы NumPy ([https://github.com/allatambov/PyDat24/blob/main/w01-practice.ipynb w01-practice.ipynb]), решения ([https://github.com/allatambov/PyDat24/blob/main/w01-practice-solutions.ipynb w01-practice-solutions.ipynb]).
* Описательные статистики ([https://disk.yandex.ru/d/mKp2-jJXNKHdrw слайды], изучается самостоятельно).
+
 
 +
Самостоятельная работа:
 +
 
 +
* Описательные статистики ([https://disk.yandex.ru/d/mKp2-jJXNKHdrw слайды]).
 
* Необязательное домашнее задание №1: [hw01.ipynb].
 
* Необязательное домашнее задание №1: [hw01.ipynb].
  

Версия 18:18, 6 ноября 2024

Дорогие студенты!

Это страница курса «Основы анализа данных в Python», читаемого во 2 модуле 2024-2025 учебного года на ОП «Политология».

Преподаватель: Тамбовцева Алла Андреевна.

Правила игры

  • Программа курса, организационная презентация.
  • Формула оценки: 0.25 * Тесты + 0.25 * Практикум + 0.5 * Экзамен.
  • Цель курса – подготовка к независимому экзамену по анализу данных. Демоверсию экзамена и тренировочные варианты можно
    найти здесь в разделе Материалы для подготовкиАнализ данных. Базовый уровень (запись на курс в SmartLMS).
  • Курс включает темы, пройденные ранее в рамках обязательных курсов по ТВиМС и регрессионному анализу, поэтому теоретический материал
    изучается (=повторяется) самостоятельно по предложенным материалам и в рамках онлайн-курса «Сбор и анализ данных в Python».
  • Демоверсия НЭ (ML – темы, относящиеся к машинному обучению, ML* – темы, которые не были затронуты в предыдущих обязательных курсах).

Программное обеспечение

В рамках этого курса мы будем использовать язык Python и среду разработки Jupyter Notebook. Также есть возможность работать в аналоге Jupyter Notebook онлайн, используя ресурс Google Colab (для создания и редактирования файлов нужен аккаунт Gmail).

NB. На независимом экзамене не разрешается использовать облачные ресурсы, включая Google Colab.

Если у вас ничего не установлено или вы успели «удалить весь Python», перед занятиями необходимо установить дистрибутив Anaconda (скачать можно здесь, регистрацию можно пропустить), который включает в себя интерпретатор языка Python, библиотеки для обработки, анализа и визуализации данных, а также среду для работы Jupyter Notebook.

Материалы по работе в Jupyter Notebook и Google Colab:

Дополнительно для желающих:

Материалы курса

Неделя 1. Шкалы данных. Описание данных.

Очные занятия:

Самостоятельная работа:

  • Описательные статистики (слайды).
  • Необязательное домашнее задание №1: [hw01.ipynb].

Дополнительно: