Python для анализа данных

Познакомитесь с базой, необходимой для Data Science и работы с данными. Напишете первые самостоятельные программы. Научитесь контролировать ход работы при помощи условных операторов и обрабатывать ошибки в программах. Сможете разделять программы на составные части и овладеете основами системы контроля версий. 30 часов теории, 25 часов практики.

• Основы Python: Jupyter Notebook, комментарии в коде, арифметические операции, переменные, условные конструкции
• Понятие класса
• Функции
• Бонусные видеолекции по Git
• Регулярные выражения и основы синтаксического разбора
• Управляющие конструкции и коллекции
• Работа с файловой системой и модули
• Исключения и обработка ошибок
• Лабораторная работа по блоку: разбор нескольких задач совместно с экспертом

Научитесь использовать Pandas для работы с информацией в таблицах. Сможете работать с матрицами и векторами в Python. Узнаете, как работать с элементами массива разных размерностей в NumPy, отображать данные в различных срезах и различными способами для их анализа. 20 часов теории, 14 часов практики.

• Библиотека NumPy: вычислительные задачи
• Функции и работа с данными
• Основы парсинга и работы с API
• Библиотека Pandas: обзор возможностей и базовые операции
• Продвинутый Pandas: оптимизация, сводные таблицы, методы работы со строками, объединения датафреймов, конкатенация таблиц, оптимизация хранения данных

Поймёте, как применять статистические методы в решении реальных задач. Освоите основные понятия и точки применения статистики. Узнаете про основные распределения (нормальное, равномерное), зависимые и случайные величины. Познакомитесь с дискретными и непрерывными распределениями, основами статистических проверок гипотез. 15 часов теории, 37 часов практики.

• Основные понятия статистики
• Поиск аномалий в данных и работа с пропущенными значениями
• Визуализация данных
• Описательная статистика
• Поиск взаимосвязей в данных (корреляция)
• Доверительный интервал
• Проверка гипотез для независимых выборок
• A/B-тесты
• Регрессия и регрессионный анализ
• Модели классификации
• Модели кластеризации
• Работа с временными рядами (декомпозиция и интерполяция временных рядов)

• Обзор возможностей и трендов применения ИИ в анализе данных
• Использование эффективных промптов для работы с ИИ: возможности, ограничения и примеры

Научитесь использовать простые, но эффективные инструменты ИИ для быстрого анализа текстовых данных и получения полезных выводов.

• Как учиться при помощи ИИ
• Как ИИ поможет в анализе текстовых данных
• Использование ChatGPT для обобщения текстов, извлечения информации и генерации идей
• Практическое применение: анализ отзывов клиентов и улучшение продукта

• Обзор AI-ассистентов (готовые решения)
• Примеры применения AI-ассистентов для аналитиков
• Тренды и перспективы развития AI-ассистентов в работе с данными
• Интеграция с n8n

Поймёте, как можно использовать ИИ для оптимизации ключевых этапов аналитического процесса — от подготовки данных до создания отчётов.

• Работа с анализом данных в SQL и Python
• Создание шаблонов отчётов

Выберете тему, соберёте данные, создадите AI-ассистента, проведёте анализ данных.

Удостоверение о повышении квалификации