Анализ данных на Python

Дорогие студенты!

Это страница обязательного курса «Анализ данных на Python», читаемого на программе «Разработка информационных систем для бизнеса»
2 курса бакалавриата в 4 модуле 2024-2025 учебного года.

Занятия ведут: Николаев Ян Андреевич, Тамбовцева Алла Андреевна.

Правила игры

Формула оценки: 0.6 × ДЗ + 0.15 × Активность + 0.25 × Тест.

Пояснения:

• ДЗ: мини-проекты, посвященные анализу и визуализации данных, а также сбору и обработке данных.
• Активность: участие в квизах, опросах и групповых заданиях на семинарах.
• Тест: итоговый тест с закрытыми и открытыми вопросами по обработке, визуализации и анализу данных.
• Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов:
  опоздание в пределах часа – штраф 10% от оценки, в пределах суток – штраф 30%.
  Домашние задания, сданные позже, не принимаются и не оцениваются.

Среда для работы

Писать код Python на занятиях и рамках домашних заданий можно в любой среде (PyCharm, Jupyter Notebook, VS и другие).
На занятиях мы будем демонстрировать работу в Jupyter Notebook и PyCharm. Конспекты занятий с кодом будут опубликованы в виде ipynb-файлов на Github. Читать их можно онлайн, открывать с возможностью редактировать – преимущественно через Jupyter Notebook (в PyCharm их поддерживает только платная версия Professional).

• Если вы планируете работать в Jupyter Notebook, проще всего установить дистрибутив Anaconda (скачать можно здесь), который включает в себя интерпретатор языка Python, библиотеки для обработки, анализа и визуализации данных, а также среду разработки Jupyter Notebook. Также есть возможность работать в Jupyter Notebook онлайн, используя ресурс Google Colab (для создания и редактирования файлов нужен аккаунт Gmail). Подробности по работе – см. ниже в неделе 0.

• Если вы планируете работать в PyCharm, эту среду можно скачать по ссылке, бесплатная версия Community.

Материалы курса

Неделя 0. Про Python и Jupyter Notebook

• Запуск Jupyter без Anaconda Navigator (инструкция).
• Работа в Jupyter Notebook (видео), отличия Google Colab от Jupyter (видео).

Дополнительно:

• Markdown: больше про Markdown, знакомство с Jupyter Notebook и Markdown (читать, ipynb).

Неделя 1. Шкалы данных. Индексируемые структуры данных

• Шкалы данных (слайды).
• Индексируемые структуры данных (конспект ipynb, код py).
• Визуализатор кода от Pythontutor.

Самостоятельное изучение 1

• Описательные статистики (слайды).
• Цикл for и его аналоги (ipynb).

Неделя 2. Проверка статистических гипотез. Массивы NumPy

• Проверка статистических гипотез ([слайды])
• Примеры статистических тестов и массивы NumPy (ipynb)
• Выбор статистических тестов для разных задач (ipynb)

Дополнительно:

• Выборочное оценивание (слайды)