Аналіз даних за допомогою Python

Про курс

Курс “Аналіз даних за допомогою Python” присвячений основам аналізу даних із використанням Python. Під час навчання учасники ознайомляться з основними бібліотеками для обробки та візуалізації даних (Pandas, Numpy, Matplotlib, Seaborn), опанують методи машинного навчання (регресія, класифікація, кластеризація), а також навчаться працювати з SQL для аналізу даних у базах даних. Курс розрахований як на новачків, так і на фахівців, які прагнуть поглибити свої знання в аналізі даних.

Аудиторія курсу
o

• Початківці-аналітики даних
• ІТ-фахівці, які хочуть опанувати основи аналізу даних
• Бізнес-аналітики та дослідники
• Викладачі та студенти, зацікавлені в аналізі даних
• Працівники компаній, що працюють з великими даними та звітністю

Чого навчаться учасники
o

• Налаштовувати робоче середовище та ефективно використовувати бібліотеки Python для аналізу даних
• Обробляти, агрегувати та візуалізувати дані за допомогою Pandas та Numpy
• Створювати візуалізації за допомогою Matplotlib та Seaborn
• Опанувати методи регресії, класифікації та кластеризації для машинного навчання
• Працювати з SQL для виконання запитів і аналізу даних
• Виявляти та інтерпретувати аномалії в даних
• Розробляти рішення для реальних проєктів і презентувати їх результати

Попередні знання
o

Для проходження курсу бажано мати:

• Базові знання Python (основні конструкції, цикли, функції)
• Уявлення про дані та базові статистичні поняття
• Досвід роботи з таблицями (наприклад, у Excel) буде перевагою, але не є обов’язковим

Детальніше про Бізнес-аналіз

Програма курсу

o

1. Обробка даних Pandas

1. • Вступ до курсу
   • Налаштування середовища
   • Вступ до Pandas
   • Створення та робота з DataFrame і Series
   • Імпорт даних із CSV, Excel, SQL Database та JSON файлів
   • Індексація та фільтрація даних
   • Сортування даних
   • Обробка пропущених значень
   • Групування та агрегування даних
   • Злиття та об’єднання таблиць

2. Обробка даних Numpy

1. • Вступ до Numpy та створення масивів
   • Ініціалізація масивів: одномірні, двовимірні, багатовимірні
   • Індексація, зрізи та маніпуляції з елементами масиву
   • Арифметичні операції та векторизація
   • Обробка пропущених та некоректних значень у масивах
   • Статистичні функції: середнє, медіана, стандартне відхилення
   • Зміна форми масивів та об’єднання масивів
   • Збереження та завантаження масивів із файлів

3. Візуалізація Matplotlib

1. • Вступ до Matplotlib та його можливості
   • Створення простих графіків (лінійний, точковий, стовпчастий)
   • Налаштування осей, заголовків та підписів графіків
   • Зміна кольорів, стилів та маркерів графіків
   • Додавання легенд, анотацій та тексту на графіки
   • Побудова кількох графіків на одному полотні (subplots)
   • Збереження графіків у різних форматах файлів (PNG, PDF)
   • Створення спеціалізованих графіків (гістограми, кругові діаграми, коробчасті діаграми)

4. Візуалізація Seaborn

1. • Вступ до Seaborn та його особливості
   • Створення графіків розподілу даних (histplot, kdeplot, distplot)
   • Побудова категоріальних графіків (barplot, countplot, boxplot)
   • Використання графіків відношень (scatterplot, lineplot)
   • Теплові карти (heatmap) для візуалізації кореляцій та матриць
   • Налаштування стилів та палітр кольорів у Seaborn
   • Фасетна візуалізація (FacetGrid, pairplot) для групування даних
   • Аналіз та візуалізація статистичних даних (violinplot, swarmplot)

5. Задача регресії

1. • Підготовка даних для регресії
   • Розбиття даних на навчальну та тестову вибірки
   • Створення моделі лінійної регресії
   • Навчання моделі на навчальних даних
   • Оцінка точності моделі
   • Візуалізація результатів регресії

6. Задача класифікації

1. • Підготовка даних для класифікації
   • Розбиття даних на навчальну та тестову вибірки
   • Створення моделі класифікації (Logistic Regression, Decision Tree)
   • Навчання моделі на навчальних даних
   • Оцінка точності моделі (accuracy, precision, recall)
   • Візуалізація результатів класифікації

7. Кластеризація

1. • Підготовка даних для кластеризації
   • Вибір методу кластеризації (K-Means, Agglomerative Clustering та ін.)
   • Створення та моделі кластеризації
   • Візуалізація кластерів
   • Оцінка якості кластеризації (silhouette score)
   • Аналіз отриманих кластерів та інтерпретація результатів

8. Аномалії

1. • Підготовка даних для пошуку аномалій
   • Вибір методу виявлення аномалій (Isolation Forest, Local Outlier Factor)
   • Створення та навчання моделі для пошуку аномалій
   • Прогнозування аномалій у даних
   • Оцінка точності виявлення аномалій
   • Візуалізація та інтерпретація виявлених аномалій

9. SQL

1. • Вступ до SQL та основи реляційних баз даних
   • Виконання простих запитів SELECT
   • Фільтрація даних за допомогою WHERE
   • Сортування результатів за допомогою ORDER BY
   • Агрегація даних (SUM, AVG, COUNT, MIN, MAX)
   • Групування даних за допомогою GROUP BY
   • З’єднання таблиць (JOIN)

10. Розбір домашніх проєктів

• Демонстрація кращих рішень учасників
• Демонстрація типових рішень викладача
• Підсумки курсу

Надіслати заявку

Для заповнення цієї форми увімкніть JavaScript у браузері.

Ім’я *

Ім'я

Прізвище

Номер телефону *

Номер, за яким з Вами можна зв'язатись

Номер Email Ім’я

Email *

Ваша адреса електронної пошти

Надіслати

📩  info@sso.net.ua
☎️  38 098 805 45 11

o