Учебная программа курса
Настройка окружения
Установке и настройке необходимых инструментов для работы с Python в области Data Science и машинного обучения
Созданию и управлению виртуальными окружениями
Установке библиотек и зависимостей с помощью пакетных менеджеров
Настройке интегрированной среды разработки (IDE) для удобной работы с кодом
Основам работы с Jupyter Notebook для интерактивного анализа данных
Настройка окружения Python
Обзор Jupyter
Понимать интерфейс Jupyter Notebook
Создавать и запускать ячейки с кодом и текстом
Использовать Markdown для форматирования заметок
Импортировать и работать с библиотеками Python внутри Jupyter
Визуализировать данные и выводить графики
Сохранять и экспортировать свои проекты
Навигировать по возможностям Jupyter для эффективной работы с данными
Как пользоваться Jupitier Notebook и зачем он нужен
Необязательное: Виртуальные окружения
Экспресс-курс по Python
Основам синтаксиса языка Python
Работе с переменными и типами данных
Использованию условных операторов и циклов
Созданию и использованию функций
Обработке ошибок и исключений
Работе с файлами и вводом-выводом
Основам работы с библиотеками Python
Подготовке данных для анализа
Выполнению простых задач программирования для Data Science
Скоростной курс Python — Часть 2
Быстрый курс по Python — Часть 3
Интенсив по Python — Часть 4
Курс по Python для Data Science и машинного обучения — Быстрые упражнения по Python — Обзор
Экспресс-курс Python — упражнения и решения
Python для анализа данных — NumPy
Работать с многомерными массивами данных
Выполнять эффективные математические операции с массивами
Использовать функции для статистического анализа данных
Применять методы индексации и срезов в массивах
Обрабатывать и трансформировать данные с помощью NumPy
Оптимизировать вычисления за счёт векторизации
Создавать случайные массивы для моделирования и тестирования
Использовать универсальные функции (ufunc) для быстрого математического вычисления
Добро пожаловать в раздел NumPy!
Введение в NumPy
Массивы NumPy
Краткая заметка по индексации массива
Индексация массивов NumPy
Операции с NumPy
Обзор упражнений по NumPy
Решения упражнений по NumPy
Python для анализа данных – Pandas
Работать с библиотекой Pandas для обработки и анализа данных
Создавать и изменять DataFrame и Series
Импортировать и экспортировать данные в различных форматах
Фильтровать, сортировать и группировать данные
Выполнять агрегацию и вычисления по данным
Обрабатывать пропущенные и дублирующиеся значения
Применять функции к данным с помощью методов apply и map
Объединять, сшивать и соединять различные наборы данных
Визуализировать результаты анализа с помощью встроенных инструментов Pandas
Добро пожаловать в раздел Pandas!
Введение в Pandas
Серии
DataFrames — Часть 1
DataFrames — Часть 2
DataFrames — часть 3
Пропущенные данные
Группировка данных (Groupby)
Объединение, соединение и конкатенация
Операции
Ввод и вывод данных
Python для анализа данных — Упражнения с Pandas
Работать с библиотекой Pandas для анализа данных
Обрабатывать и очищать данные с помощью Pandas
Выполнять манипуляции с DataFrame и Series
Фильтровать, группировать и агрегировать данные
Выполнять операции объединения и слияния таблиц
Импортировать и экспортировать данные из разных форматов
Применять функции и методы для трансформации данных
Анализировать и визуализировать данные с использованием Pandas
Заметка по упражнению с зарплатами в Сан-Франциско
Обзор упражнения по зарплатам в Сан-Франциско
Решения по зарплатам в Сан-Франциско
Обзор упражнения по покупкам в электронной коммерции
Решения упражнения по покупкам в электронной коммерции
Python для визуализации данных — Matplotlib
Создавать графики и диаграммы с помощью библиотеки Matplotlib
Настраивать внешний вид графиков: цвета, стили линий, маркеры
Работать с осями, подписями и легендами
Строить различные типы графиков: линейные, столбчатые, гистограммы, scatter plot
Использовать субплоты для создания нескольких графиков на одном холсте
Визуализировать данные для анализа и представления результатов
Сохранять графики в различных форматах
Настраивать масштабирование и оси графиков
Добавлять аннотации и текст на графики
Добро пожаловать в раздел визуализации данных!
Введение в Matplotlib
Matplotlib Часть 1
Matplotlib Часть 2
Matplotlib Часть 3
Обзор упражнений по Matplotlib
Упражнения по Matplotlib — решения
Python для визуализации данных — Seaborn
Создавать различные типы графиков с помощью библиотеки Seaborn
Использовать встроенные стили и палитры для улучшения визуализации данных
Работать с распределениями данных и строить гистограммы, плотности
Строить диаграммы рассеяния, линии регрессии и категоричные графики
Настраивать визуальные параметры графиков (цвет, размер, форматы осей)
Визуализировать отношения между несколькими переменными
Использовать методы группировки и агрегации данных в графиках
Интегрировать Seaborn с библиотеками Pandas и Matplotlib для глубокого анализа данных
Введение в Seaborn
Построение распределений
Категориальные графики
Матрицы графиков
Сетки
Регрессионные графики
Стиль и цвет
Обзор упражнений по Seaborn
Решения упражнений по Seaborn
Python для визуализации данных — встроенная визуализация данных в Pandas
Использовать встроенные возможности визуализации данных в библиотеке Pandas создавать различные типы графиков (линейные, столбчатые, гистограммы, коробчатые диаграммы) на основе DataFrame и Series настраивать параметры графиков для улучшения их восприятия интегрировать визуализацию Pandas с другими библиотеками matplotlib и seaborn интерпретировать и анализировать данные с помощью графических представлений
Встроенная визуализация данных в Pandas
Упражнение по визуализации данных с Pandas
Упражнение по визуализации данных с Pandas — решения
Python для визуализации данных — Plotly и Cufflinks
Работать с библиотекой Plotly для создания интерактивных графиков
Использовать Cufflinks для интеграции Plotly с Pandas
Строить различные типы визуализаций: линейные графики, гистограммы, диаграммы рассеяния и др.
Настраивать внешний вид графиков: цвета, подписи, легенды
Создавать интерактивные дашборды и отчеты
Анализировать и визуализировать данные для более глубокого понимания
Экспортировать и сохранять визуализации для дальнейшего использования
Введение в Plotly и Cufflinks
Прочитайте меня в первую очередь перед использованием Plotly пожалуйста!
Plotly и Cufflinks
Python для визуализации данных — Географическое построение графиков
Работать с географическими данными в Python
Создавать карты и географические визуализации
Использовать библиотеки для отрисовки геоданных (например, Folium, Geopandas, Plotly)
Визуализировать данные на карте с различными типами меток и цветов
Анализировать и отображать пространственные данные
Обрабатывать координаты и геометрические объекты
Настраивать интерактивные карты и элементы управления на них
Введение в географическую визуализацию
Хороплетные карты — Часть 1 — США
Хороплетные карты — Часть 2 — Мир
Упражнения по хлороплетам
Хороплетные упражнения – решения
Итоговый проект по работе с данными
Работать с реальным набором данных
Применять навыки анализа данных на практике
Использовать библиотеки Python для обработки и визуализации данных
Строить модели машинного обучения
Интерпретировать и оценивать результаты моделей
Писать отчет и презентацию по проекту
Развивать навыки решения комплексных задач в сфере Data Science
Добро пожаловать в итоговые проекты по работе с данными
Решения для звонков 911 — Часть 1