Python for Data Science

Полный курс для специалистов, которые хотят освоить Python для анализа данных и построения моделей машинного обучения. Курс охватывает синтаксис Python, работу с данными, модули и библиотеки для Data Science

Цели курса

После курса вы сможете:

• Проводить комплексный анализ данных с помощью Python;

• Очищать и агрегировать большие наборы данных;

• Создавать визуализации и интерактивные отчеты;

• Применять статистические методы для проверки гипотез;

• Подготавливать данные для моделирования и машинного обучения.

Часть 1

Введение в Python и Data Science

• Роль Python в Data Science

• Обзор экосистемы (Anaconda, Jupyter, VS Code)

• Работа в Jupyter Notebook

• Структура Python-программы

Базовый синтаксис

• Переменные и типы данных

• Числовые типы (int, float)

• Строки и операции со строками

• Булевы значения

• Операторы и выражения

• Приведение типов

Условные конструкции и логика

• Булева алгебра

• Логические операторы

• Условные конструкции if / elif / else

• Вложенные условия

• Тернарный оператор

Циклы

• Цикл for

• Цикл while

• range()

• break / continue / pass

• Вложенные циклы

• Генераторы списков

Часть 2

Структуры данных

• Списки

• Кортежи

• Словари

• Множества

• Вложенные структуры данных

Функции

• Определение функций

• Параметры и аргументы

• Значения по умолчанию

• *args и **kwargs

• Возврат значений

• Lambda-функции

Работа с файлами

• Чтение и запись файлов

• Работа с CSV

• Работа с JSON

• Контекстный менеджер (with)

Обработка исключений

• Типы ошибок

• try / except / finally

• Создание собственных исключений

Часть 3

Введение в NumPy

• Массивы ndarray

• Создание массивов

• Индексация и срезы

• Broadcasting

• Векторизация операций

Математические операции

• Агрегации (mean, sum, std)

• Линейная алгебра

• Работа с многомерными массивами

• Генерация случайных данных

Часть 4

Основы Pandas

• Series и DataFrame

• Загрузка данных (CSV, Excel)

• Просмотр и структура данных

Очистка и трансформация данных

• Обработка пропусков

• Фильтрация

• Сортировка

• Группировка и агрегация

• Merge и Join

Работа с временными данными

• Форматы дат

• Индексация по времени

• Ресемплирование

Часть 5

Визуализация данных

• Matplotlib

• Seaborn

• Построение:

o Линейных графиков

o Гистограмм

o Boxplot

o Scatter plot

• Настройка графиков

• Интерпретация визуализаций

Введение в машинное обучение

• Pipeline анализа данных

• Train/Test split

• Линейная регрессия

• Логистическая регрессия

• Метрики качества (MSE, Accuracy, Precision, Recall)