PYT11 - Анализ данных с помощью Python

Описание курса:

Данный интенсивный курс разработан для сотрудников, желающих овладеть современными инструментами автоматизации рабочих процессов, анализа данных и поддержки цифровой трансформации в инженерных и научных направлениях.

Программа охватывает фундаментальные и прикладные аспекты работы с языком Python и его специализированными библиотеками, включая все этапы аналитики: от сбора и предварительной обработки данных до визуализации и построения простых моделей машинного обучения.

В ходе курса большое внимание уделяется автоматизации типовых задач, преобразованию данных для последующего анализа, а также актуальным методикам презентации и внедрения полученных решений в рабочие процессы.

Аудитория курса:

Курс предназначен для инженеров, научных сотрудников, специалистов по цифровой трансформации, аналитиков данных и всех заинтересованных в автоматизации рабочих процессов и анализе данных.

Предварительные требования к аудитории:

Предварительный опыт программирования не обязателен, но приветствуется базовое владение компьютером и желание применять полученные знания для решения производственных и исследовательских задач.

Содержание курса:

Модуль 1 Введение в Python для анализа данных

Python как инструмент для анализа данных и автоматизации
Установка окружения (Python, Anaconda, Jupyter)
Базовые структуры и синтаксис языка: переменные, типы данных, списки, кортежи, словари
Операторные конструкции, функции, работа с модулями
Основы работы с файлами: чтение, запись, структура CSV и JSON
Введение в pandas как инструмент работы с табличными данными
Краткий обзор реальных задач из инженерии и науки.

Модуль 2 Обработка и подготовка данных— Структурированные и неструктурированные данные

Импорт данных из разных источников (CSV, Excel, базы данных, API)
Очистка данных: работа с пропусками, дубликатами, выбросами
Преобразование данных: фильтрация, группировка, агрегация
Кодирование переменных, обработка категориальных данных
Методы автоматизации этих процессов с помощью Python
Обработка текстовых данных, регулярные выражения
Практические аспекты ускорения загрузки и подготовки данных

Модуль 3 Визуализация данных— Важность визуального представления информации

Основные библиотеки: matplotlib, seaborn, pandas plotting
Построение и настройка различных типов графиков (столбчатые, линейные, точечные, круговые, boxplot)
Визуализация для инженерных и научных задач, анализ временных рядов
Кастомизация визуализации для деловой презентации
Использование интерактивных графиков для отчетности

Модуль 4 Математические методы и машинное обучение — Основы статистики

Pandas и numpy: базовые математические и статистические операции
Применение агрегирования и сводных таблиц для анализа больших массивов
Введение в машинное обучение: типы задач, этапы работы с моделями
Знакомство с библиотекой tensorflow: задачи классификации и регрессии
Оценка и интерпретация моделей: точность, метрики, визуализация
Сценарии применения ML для автоматизации научных и инженерных задач

Модуль 5 Автоматизация рабочих процессов — Автоматизация типовых операций с помощью скриптов Python

Подходы к написанию повторно используемого кода, управление проектами
Использование git и систем управления версиями
Организация end-to-end пайплайнов аналитики
Документирование аналитических процессов, подготовка к внедрению решений
Интеграция Python с корпоративными платформами и API
Тренды в аналитике: искусственный интеллект, большие данные, облачные решения.