Python для анализа данных

Практическое применение Python для визуализации и разведывательного анализа данных с использованием библиотек Matplotlib, Plotly, Dash и методов машинного обучения (Naive Bayes).
Для всех RU
Записаться
Объём

72 час.
Длительность

60 дней
Нагрузка

9 час.
Формат обучения

Дистанционно (самостоятельно)
Описание Учебный курс посвящен применению Python для анализа и визуализации данных. Рассматриваются библиотеки Matplotlib и Plotly для построения статических и интерактивных графиков, интеграция Plotly с Dash для создания веб-панелей. Изучаются методы разведывательного анализа данных, особенности работы с текстовыми данными, наивный байесовский классификатор и признаковое описание текстов. Материал адресован аналитикам и разработчикам, выстраивающим аналитические решения на Python.
Цели
  • Сформировать понимание задач визуализации и разведывательного анализа данных.
  • Развить умение строить интерактивные графики и дашборды.
  • Подготовить к решению задач классификации текстов.
Чему я научусь?
  • Строить графики на Matplotlib и Plotly.
  • Создавать веб-панели на Dash для интерактивных визуализаций.
  • Проводить разведывательный анализ данных.
  • Применять наивный байесовский классификатор к текстам.

Авторы

Румянцев Дмитрий
Чему я научусь?
  • Строить графики на Matplotlib и Plotly.
  • Создавать веб-панели на Dash для интерактивных визуализаций.
  • Проводить разведывательный анализ данных.
  • Применять наивный байесовский классификатор к текстам.

Учебный план

Занятия
Визуализация для анализа данных
1 Знакомство с Matplotlib 33 мин
2 Конструирование графика 42 мин
3 Классы Figure и Axes 39 мин
4 Основные виды графиков 60 мин
5 Основные виды графиков. Продолжение 51 мин
6 Основные ошибки при создании визуализаций 48 мин
Создание интерактивных визуализаций
7 Введение в Plotly 39 мин
8 Работа с точечными и линейными графиками 51 мин
9 Работа с другими графиками plotly 24 мин
10 Plotly и Dash - полная интерактивность 36 мин
Разведывательный анализ данных
11 Разведывательный анализ данных 81 мин
12 Особенности исследования текста 51 мин
13 Наивный байесовский классификатор 57 мин
14 Признаковое описание текстов 45 мин
Экзамен