Основы анализа данных в Python: различия между версиями
Перейти к навигации
Перейти к поиску
| Строка 34: | Строка 34: | ||
=== Неделя 1. Шкалы данных. Описание данных. === | === Неделя 1. Шкалы данных. Описание данных. === | ||
| − | |||
| − | |||
* 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], самостоятельное изучение). | |
| − | |||
| − | |||
| − | * Описательные статистики ([https://disk.yandex.ru/d/mKp2-jJXNKHdrw слайды]). | ||
* Необязательное домашнее задание №1: [hw01.ipynb]. | * Необязательное домашнее задание №1: [hw01.ipynb]. | ||
| Строка 49: | Строка 44: | ||
* Разбор практикума по введению в Python ([https://github.com/allatambov/QuantDat24/blob/main/qd-practice01-solutions.ipynb qd-practice01-solutions.ipynb]). | * Разбор практикума по введению в Python ([https://github.com/allatambov/QuantDat24/blob/main/qd-practice01-solutions.ipynb qd-practice01-solutions.ipynb]). | ||
* Последовательности: строки, списки, массивы Numpy ([https://github.com/allatambov/QuantDat24/blob/main/qd-02-lists-arrays.ipynb qd-02-lists-arrays.ipynb]). | * Последовательности: строки, списки, массивы Numpy ([https://github.com/allatambov/QuantDat24/blob/main/qd-02-lists-arrays.ipynb qd-02-lists-arrays.ipynb]). | ||
| + | |||
| + | == Learning outcomes == | ||
| + | |||
| + | {| class="wikitable" | ||
| + | |- | ||
| + | ! Неделя !! Теория !! Практика | ||
| + | |- | ||
| + | | № 1 || уметь определять шкалы данных; знать, что такое выборочная медиана и квартили, дисперсия и стандартное отклонение; знать особенности среднего и медианы и уметь делать предположения о наличии потенциально нехарактерных значений в выборке || уметь импортировать библиотеки, уметь создавать массивы Numpy на основе списков, уметь выполнять фильтрацию значений массивов, уметь считать объем, среднее и стандартное отклонение выборки, сохраненной в массив | ||
| + | |- | ||
| + | |} | ||
Версия 18:32, 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.
Содержание
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 подготовки – Анализ 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:
- Запуск Jupyter без Anaconda Navigator (инструкция).
- Работа в Jupyter Notebook (видео), отличия Google Colab от Jupyter (видео).
Дополнительно для желающих:
- Набор текста в Jupyter Notebook (видео, ipynb), больше о Markdown.
- LaTeX: Overleaf, документация, материалы по LaTeX.
Материалы курса
Неделя 1. Шкалы данных. Описание данных.
- Шкалы данных (слайды).
- Практикум 1. Массивы NumPy (w01-practice.ipynb), решения (w01-practice-solutions.ipynb).
- Описательные статистики (слайды, самостоятельное изучение).
- Необязательное домашнее задание №1: [hw01.ipynb].
Дополнительно:
- Разбор практикума по введению в Python (qd-practice01-solutions.ipynb).
- Последовательности: строки, списки, массивы Numpy (qd-02-lists-arrays.ipynb).
Learning outcomes
| Неделя | Теория | Практика |
|---|---|---|
| № 1 | уметь определять шкалы данных; знать, что такое выборочная медиана и квартили, дисперсия и стандартное отклонение; знать особенности среднего и медианы и уметь делать предположения о наличии потенциально нехарактерных значений в выборке | уметь импортировать библиотеки, уметь создавать массивы Numpy на основе списков, уметь выполнять фильтрацию значений массивов, уметь считать объем, среднее и стандартное отклонение выборки, сохраненной в массив |
