Основы анализа данных в Python

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 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:

• Введение в Python (qd-01-intro-python.ipynb), 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