Основы анализа данных в Python: различия между версиями
| Строка 38: | Строка 38: | ||
* 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], самостоятельное изучение). | ||
| − | * Необязательное домашнее задание №1 ([https://github.com/allatambov/PyDat24/blob/main/hw01.ipynb hw01.ipynb]). | + | * Необязательное домашнее задание №1 ([https://github.com/allatambov/PyDat24/blob/main/hw01.ipynb hw01.ipynb]), решения ([https://github.com/allatambov/PyDat24/blob/main/hw01-solved.ipynb hw01-solved.ipynb]). |
Дополнительно: | Дополнительно: | ||
Версия 00:47, 12 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 теория
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 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), решения (hw01-solved.ipynb).
Дополнительно:
- Введение в Python (qd-01-intro-python.ipynb), практикум с решением (qd-practice01-solutions.ipynb).
- Последовательности: строки, списки, массивы Numpy (qd-02-lists-arrays.ipynb).
Неделя 2. Обработка и описание данных.
- Практикум 2. Датафреймы pandas: часть 1 (w02-practice-01.ipynb), файл (beasts.csv).
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 |
