Текст площадки «Складчик». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Читать полное описание
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
О курсе
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс НЕ ЗАТОЧЕН под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в СВОЕЙ СОБСТВЕННОЙ ПРЕДМЕТНОЙ ОБЛАСТИ (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Один курс · разные способы доступа
Где удобнее учиться?
Сравните цену и то, как будете заниматься.
Выбирайте не только по цене
ЦенаСумма и выгодность предложения
Удобство интерфейсаОценка формата занятий
Встроенный просмотрБез скачивания всего курса
Занятия с телефонаБез работы с архивами
Без рекламыПри работе с материалами
Найти нужный моментНе пересматривая весь урок
Разобраться в темеПомощь по содержанию, не куратор
Попробовать до покупкиОзнакомительный урок
Скачать материалыДля занятий без интернета
Когда можно начать
Срок доступа
Выбрать площадку
Учитесь с комфортом
В Курсе
История цен на площадкахФормат и условия
Как проходит обучение
Эти данные взяты из программы и описания площадки. Пустое поле означает, что на странице курса ответа не было.
Материалы
Условное принятие решений: паттерны\шаблоны matchПроверено 28.09.2026 · Источник ↗︎
Материалы
Условное принятие решений: паттерны\шаблоны matchПроверено 03.11.2026 · Источник ↗︎
Материалы
Условное принятие решений: паттерны\шаблоны matchПроверено 28.09.2026 · Источник ↗︎
Материалы
Условное принятие решений: паттерны\шаблоны matchПроверено 17.10.2026 · Источник ↗︎
Материалы
Условное принятие решений: паттерны\шаблоны matchПроверено 15.11.2026 · Источник ↗︎
Темы программы
Программа:
Команда курса
Авторы и преподаватели
Никита СергеевАвтор материалов
Сведения источников
Что пишут о курсе разные площадки
Продавцы могут по-разному указать название, автора и программу. Ниже приведены отдельные описания источников.
СкладчикАнализ данных Python: с 0 до уверенного бизнес-пользователя [Stepik] [Никита Сергеев]
Указаны на площадке: Никита Сергеев
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
О курсе
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс НЕ ЗАТОЧЕН под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в СВОЕЙ СОБСТВЕННОЙ ПРЕДМЕТНОЙ ОБЛАСТИ (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Содержание обучения
Что в программе
01Программа:200 уроков
ВведениеВремя не указано
Знакомство с основами Python, его синтаксисом и мат. логикойВремя не указано
Углубление в основы: основные управляющие потоком конструкцииВремя не указано
О библиотеках: предназначение, подключения, использованияВремя не указано
Основы для быстрого старта: как это все работает в комплексеВремя не указано
ETL: извлечение, преобразование и загрузка данныхВремя не указано
Описательные статистикиВремя не указано
Визуализации данныхВремя не указано
Анализ данных: Сравнение группВремя не указано
Анализ данных: связи между переменнымиВремя не указано
Анализ данных: классификацияВремя не указано
Мидквэл: анализ и прогнозирование временных рядов statsmodels.tsaВремя не указано
Небольшой факультатив: обзор других отдельных аналитических возм.Время не указано
ПослесловиеВремя не указано
ВведениеВремя не указано
Пару слов о курсеВремя не указано
Просто зашли поинтересоваться?Время не указано
Как мы будем учитьсяВремя не указано
Знакомство с основами Python, его синтаксисом и мат. логикойВремя не указано
О языке PythonВремя не указано
Популярные рабочие среды для PythonВремя не указано
«В Курсе» — наш основной вариант для перехода. В таблице — возможности сервисов; состав конкретного курса уточняйте перед оплатой.
Как мы оцениваем и что входит в доступ
Звёзды — наша оценка, не отзывы покупателей. Удобство: 2 базовых балла, по одному за занятия без обязательного скачивания, навигацию по курсу и встроенного помощника. Оценка описывает формат сервиса, а не проверку каждого урока.
Цена сравнивается только при подтверждённых одинаковых тарифе, сроке и виде оплаты. Разница с минимальной ценой до 10% — 5 звёзд, до 30% — 4, до 60% — 3, до 100% — 2, больше — 1. Устаревшие и неизвестные цены не оцениваются. Прочерк означает, что данных недостаточно, а не что функции нет.
В Курсе
Зарегистрируйтесь, чтобы уточнить возможность доступа к этому материалу
Складчик
Условия оплаты
Взнос за участие на площадке: 578 ₽. Доступность материала зависит от стадии сбора.
Условное принятие решений: паттерны\шаблоны match
На странице площадки указано: Цена 2990 руб.; Взнос 578 р.. Тип платежа, актуальность и соответствие полной цене курса требуют проверки.
Условия проверены 28.09.2026. Перед оплатой проверьте состав предложения у продавца.
Складчина.biz
Условия оплаты
Взнос за участие на площадке: 326 ₽. Доступность материала зависит от стадии сбора.
Условное принятие решений: паттерны\шаблоны match
Условия проверены 03.11.2026. Перед оплатой проверьте состав предложения у продавца.
Складчина.biz[Stepik] Анализ данных Python: с 0 до уверенного бизнес-пользователя (Никита Сергеев)
Указаны на площадке: Никита Сергеев
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс не заточен под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в своей собственной предметной области (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Введение
Пару слов о курсе
Просто зашли поинтересоваться?
Как мы будем учиться
Знакомство с основами Python, его синтаксисом и мат. логикой
О языке Python
Популярные рабочие среды для Python
Знакомство с Jupyter Labs
Работа ячеек и ядра в Jupiter Labs
Нумерация и извлечение элементов в Python
Основы и особенности написания и оформления кода: синтаксис
Типы данных
Переменные
Динамическая типизация
Числовой калькулятор
Текстовые вычисления
А как дела с датами?
Мидквэл-лекция о модулях
Операторы сравнения
Логические операторы: and, or, not
Оператор принадлежности: in \ not in
Условные вычисления: if
Функции: def
Не о Half-Life: lambda-выражения
Итоги знакомства: что из этих основ может пригодиться в анализе
Углубление в основы: основные управляющие потоком конструкции
Что это за инструкции\конструкции
Условное принятие решений: логика if, elif, else
Условное принятие решений: паттерны\шаблоны match
Комбинация конструкций (на примере match и if)
Циклы: for и while
Управление\изменение поведения циклов: break и continue
Обработчики исключений\ошибок: try...except
Управление ресурсами: with (проба работы с файлами)
Итоги инструкций контроля потоков выполнения программы
О библиотеках: предназначение, подключения, использования
Что такое библиотеки или "забудьте (почти)все что мы учили ранее
Массивы и Таблицы
NumPy и SciPy для вычислений
Pandas и Polars: предназначение, отличия, подключение
Matplotlib, Seaborn, Plotly:предназначение, отличия, подключение
StatsModels с TSA: предназначение, отличия, подключение
ML (scikit-learn) с бустингом (...boost)
Вызов подсказок и справок по объектам в библиотеках
Библиотечные итоги
Основы для быстрого старта: как это все работает в комлексе
Большая картина: врубаемся что вообще происходит
Подготовка к написанию кода: подключаем библиотеки
Загрузка данных
Преобразование: очистка данных
Преобразование: добавление новых столбцов
Анализ данных: описательные статистики
Визуализация данных
Анализ данных: аналитическая статистика
Итоги раздела
ETL: извлечение, преобразование и загрузка данных
Общий процесс работы с данными и место в нем ETL
Series, DataFrame, векторные вычисл.(обработка столбцов целиком)
Навигация и отбор из датафрейма нужных данных
Подключение к csv
Подключение к Excel
Самостоятельное задание: проба загрузки таблицы из SPSS
ДатаФрейм и его Представление в Jupyter
Вывод ВСЕХ строк и столбцов
Выгрузка только нужных столбцов
Мидквел:мастер-класс по базовому пониманию справочных материалов
Изменения названий\имен\заголовков столбцов
Перемещение\Изменение порядка столбцов
Типы данных для столбцов: int, float, datetime, string
Выбор столбцов по типу данных
Систематизация чтений\подключений
Вычисление новых столбцов: числовые столбцы
Вычисление новых столбцов: разделение и объединение столбцов
Вычисление новых столбцов: текстовые столбцы
Вычисление новых столбцов: столбцы с датами
Вычисление новых столбцов: условный столбец\перекодировка
Вместо условного столбца: разбиение значений на группы (cut)
Из одного столбца сделать много столбцов с 0\1
Удаление лишних\ненужных столбцов
Систематизация работы со столбцами
Тест по столбцам
Оставление нужных строк сверху\снизу таблицы
Удаление лишних\ненужных строк (порядок, дубликаты)
Фильтрация\Отбор строк для анализа: условие c | и &
Тест по строкам
Стратегии работы с пустыми значениями
Удаление пустых строк и столбцов
Заполнение пустых значений другими значениями
Заполнение вниз\вверх
Интерполяция "пустышек" во времени (периодичные данные)
Комплексные функционалы для АНАЛИЗА пропущенных значений
Тест по пропускам
Стратегии проверки данных: опечатки, смысл, не тот тип
Мидквел-лекция: Основы оконных вычислений
Группировка\Агрегирование: понижение гранулярности таблицы
Транспонирование DataFrame\таблицы
Сводные таблицы (Pivot, Pivot Table, Crosstab)
Мельтинг\Отмена свертывания\Unpivot
Тест по изменению таблицы
Слияние нескольких массивов\таблиц: добавление строк
Слияние нескольких таблиц: добавление столбцов (с исп.ключей)
Тест по джойнам и юнионам
Сохранение данных в файл
Итоги загрузки, очистки и подготовки данных
Описательные статистики
Что такое описательные статистики
Частотный анализ (частотное распределение)
Частоты под несколько переменных
4 группы мер в описательной статистике
Меры центральной тенденции: среднее, мода, медиана
Меры точек относительного разделения : процентили и квартили
Меры рассеивания\вариативности: дисперсия, ст.отклонение, размах
IQR и выбросы\outliers
Комлексный анализ описательных статистик: describe
Ящик с усами: визуал для среднего,квартилей,мин и макс, выбросов
Меры формы распределения: асимметрия и эксцесс
Итоги раздела
Визуализации данных
Что такое визуализации?
Воспоминания как строятся диаграммы
Агрегирующие и неагрегирующие диаграммы
"Плавный" аналог гистограммы: агрегирующая KDE
Столбиковые\Линейчатые диаграммы: вертикальные и горизонтальные
Разбор и управление элементами диаграмм
Цветовое форматирование визуальных элементов
Группировка с распаковкой индекса: метод .groupby() с .unstack()
Столбцы на разные диаграммы (subplots)
Столбиковые диаграммы: с группировкой и с наложением
Погрешности\Коридор прогноза на диаграммах
График
Вторая Y-ось
Комбинированная диаграмма
График\диаграмма с областями
Круговые диаграммы
Диаграмма рассеивания\точечная
Превращаем точки в "пузыри"
Матрица скаттерплотов
Как забрать диаграммы в Power Point
Таблица - также визуальный элемент
Подводим итоги визуализаций
Анализ данных: Сравнение групп
Основные блоки задач, решаемые при анализе данных
Генеральная совокупность и выборка
Гипотезы и вероятность ошибки\значимость
Параметрика\непараметрика
Проверка распределения "на нормальность"
Зависимые (парные, связанные) и Независимые группы
Тест: Систематизация основных понятий
Сравнение независимых групп: 2 группы, параметрика
О навигации по таблицам результатов (вспомним датафреймы)
Сравнение независимых групп: 2 группы, непараметрика
Тест 2-х групп (почти самостоятельное задание)
Сравнение незав. групп:более 2-х групп,параметрика,с пост-хок
Сравнение незав. групп:более 2-х групп,непараметрика, с пост-хок
Сравнение парных\связанных групп: 2 группы, параметрика
Сравнение парных\связанных групп: 2 группы, непараметрика
Сравнение парных групп: более 2-х групп, параметрика, с пост-хок
Помиксуем-ка мы сами...: парные и независимые группы вместе
Сравнение парных групп: более 2-х групп,непараметрика,с пост-хок
Таблицы сопряженности: Хи2 для категориальных признаков, независ
Таблицы сопряженности: МакНемар для категор. признаков в завис.
Разговоры о красивом
Групповые итоги
Анализ данных: связи между переменными
Рассуждения о связях между переменными
Сила, Направленность и Значимая\Неслучайна статистическая связь
Корреляции
Мидквел: многомерность выбросов
Мидквел: многомерная нормальность
Мидквел: корреляционная красота
Корреляция для повторных замеров
Ложные (частные\получастные) корреляции
Анализ надежности-согласованности
Линейная регрессия
Понятие нормализации данных
А если связи нелинейные?
Квантильная регрессия (библиотека statsmodels)
Что такое факторный анализ
Факторный анализ (библиотека factor_analyzer)
Итоги раздела
Анализ данных: классификация
Переходим к классификации и кластеризации
Кто учит алгоритмы? Обучение с учителем
Бинарная логистическая регрессия
Как понять хороша ли модель: Precision, Recall, ROC-AUC
Мультиномиальная логистическая регрессия
Порядковая логистическая регрессия
Ближайшие соседи k-NN
Деревья решений
Ансамбли: RandomForest (случайный лес) как бэггинг подход
Ансамбли: бустинги - каждая модель исправляет предыдущую
А если никто не учит? Обучение без учителя.
Кластерный анализ методом К-средних
Кластеризация на основе плотности DBSCAN
Визуализация кластеров на плоскости t-SNE
Нейросети как сложные классификаторы
Многослойный перцептрон MLP: с учителем
Болцмановские машины (RBM): без учителя
Итоги раздела
Мидквэл:анализ и прогнозирование временных рядов statsmodels.tsa
Что такое временной ряд и работа с ним
Главная ловушка при анализе временных рядов
Основные задачи анализа временных рядов
Компоненты временного ряда: тренд, сезонность, цикл, всплеск
С чего начинается: смотрим "на глазок"
Подавление "шумов":HPF(Hodrick-Prescott Filter) отделение тренда
Анализ сезонности (на ряду с другими компонентами)
(s)ARIMA(x): обучение на временном ряде и его прогнозирование
Итоги временных прогнозов
Небольшой факультатив:обзор других отдельных аналитических возм.
Используем SQL-скрипты в JupiterLabs
Использование Python в Excel 365
Не таблицами едиными: анализ текста, изображений, аудио, видео..
Разработка аналитических приложений
ИИ-помощники при работе с Python
Послесловие
Обобщение курса
Напутствие
Бонус-лекция
Никита Сергеев
Cтратегия и оргразвитие, анализ данных, управление проектами.
Автор курсов - профессиональный аналитик, сертифицированный менеджер проектов, консультант по стратегии и оргразвитию.
Ведущий инструктор русскоязычных курсов и программ в категории «Бизнес», "Бизнес-анализ" и "Data Science" на отечественных и международных платформах онлайн-образования. За плечами ряд крупных реорганизаций и преобразований \ трансформаций компаний.
Человек с уникальным сочетанием академической подготовки (организационная психология, управление международными проектами, степень МВА) и обширного бизнес-опыта. Автор прикладной бизнес-литературы.
Сотрудничает как с крупнейшими телеком- и промгигантами; компаниями финансового, нефтегазового и госсектора; так и с небольшими компаниями. Участвовал в ряде проектов и трансформационных программ (в т.ч. совместно с ведущими консалтинговыми компаниями).
В качестве преподавателя-инструктора за плечами прикладные тренинги и обучающие мероприятия для руководителей старшего и высшего менеджмента крупных компаний, а также преподавание учебных дисциплин на МВА-программах в России, СНГ и ЦВЕ.
Получено 28.09.2026
Складчина.biz[Stepik] Анализ данных Python: с 0 до уверенного бизнес-пользователя (Никита Сергеев)
Указаны на площадке: Никита Сергеев
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс не заточен под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в своей собственной предметной области (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Введение
Пару слов о курсе
Просто зашли поинтересоваться?
Как мы будем учиться
Знакомство с основами Python, его синтаксисом и мат. логикой
О языке Python
Популярные рабочие среды для Python
Знакомство с Jupyter Labs
Работа ячеек и ядра в Jupiter Labs
Нумерация и извлечение элементов в Python
Основы и особенности написания и оформления кода: синтаксис
Типы данных
Переменные
Динамическая типизация
Числовой калькулятор
Текстовые вычисления
А как дела с датами?
Мидквэл-лекция о модулях
Операторы сравнения
Логические операторы: and, or, not
Оператор принадлежности: in \ not in
Условные вычисления: if
Функции: def
Не о Half-Life: lambda-выражения
Итоги знакомства: что из этих основ может пригодиться в анализе
Углубление в основы: основные управляющие потоком конструкции
Что это за инструкции\конструкции
Условное принятие решений: логика if, elif, else
Условное принятие решений: паттерны\шаблоны match
Комбинация конструкций (на примере match и if)
Циклы: for и while
Управление\изменение поведения циклов: break и continue
Обработчики исключений\ошибок: try...except
Управление ресурсами: with (проба работы с файлами)
Итоги инструкций контроля потоков выполнения программы
О библиотеках: предназначение, подключения, использования
Что такое библиотеки или "забудьте (почти)все что мы учили ранее
Массивы и Таблицы
NumPy и SciPy для вычислений
Pandas и Polars: предназначение, отличия, подключение
Matplotlib, Seaborn, Plotly:предназначение, отличия, подключение
StatsModels с TSA: предназначение, отличия, подключение
ML (scikit-learn) с бустингом (...boost)
Вызов подсказок и справок по объектам в библиотеках
Библиотечные итоги
Основы для быстрого старта: как это все работает в комлексе
Большая картина: врубаемся что вообще происходит
Подготовка к написанию кода: подключаем библиотеки
Загрузка данных
Преобразование: очистка данных
Преобразование: добавление новых столбцов
Анализ данных: описательные статистики
Визуализация данных
Анализ данных: аналитическая статистика
Итоги раздела
ETL: извлечение, преобразование и загрузка данных
Общий процесс работы с данными и место в нем ETL
Series, DataFrame, векторные вычисл.(обработка столбцов целиком)
Навигация и отбор из датафрейма нужных данных
Подключение к csv
Подключение к Excel
Самостоятельное задание: проба загрузки таблицы из SPSS
ДатаФрейм и его Представление в Jupyter
Вывод ВСЕХ строк и столбцов
Выгрузка только нужных столбцов
Мидквел:мастер-класс по базовому пониманию справочных материалов
Изменения названий\имен\заголовков столбцов
Перемещение\Изменение порядка столбцов
Типы данных для столбцов: int, float, datetime, string
Выбор столбцов по типу данных
Систематизация чтений\подключений
Вычисление новых столбцов: числовые столбцы
Вычисление новых столбцов: разделение и объединение столбцов
Вычисление новых столбцов: текстовые столбцы
Вычисление новых столбцов: столбцы с датами
Вычисление новых столбцов: условный столбец\перекодировка
Вместо условного столбца: разбиение значений на группы (cut)
Из одного столбца сделать много столбцов с 0\1
Удаление лишних\ненужных столбцов
Систематизация работы со столбцами
Тест по столбцам
Оставление нужных строк сверху\снизу таблицы
Удаление лишних\ненужных строк (порядок, дубликаты)
Фильтрация\Отбор строк для анализа: условие c | и &
Тест по строкам
Стратегии работы с пустыми значениями
Удаление пустых строк и столбцов
Заполнение пустых значений другими значениями
Заполнение вниз\вверх
Интерполяция "пустышек" во времени (периодичные данные)
Комплексные функционалы для АНАЛИЗА пропущенных значений
Тест по пропускам
Стратегии проверки данных: опечатки, смысл, не тот тип
Мидквел-лекция: Основы оконных вычислений
Группировка\Агрегирование: понижение гранулярности таблицы
Транспонирование DataFrame\таблицы
Сводные таблицы (Pivot, Pivot Table, Crosstab)
Мельтинг\Отмена свертывания\Unpivot
Тест по изменению таблицы
Слияние нескольких массивов\таблиц: добавление строк
Слияние нескольких таблиц: добавление столбцов (с исп.ключей)
Тест по джойнам и юнионам
Сохранение данных в файл
Итоги загрузки, очистки и подготовки данных
Описательные статистики
Что такое описательные статистики
Частотный анализ (частотное распределение)
Частоты под несколько переменных
4 группы мер в описательной статистике
Меры центральной тенденции: среднее, мода, медиана
Меры точек относительного разделения : процентили и квартили
Меры рассеивания\вариативности: дисперсия, ст.отклонение, размах
IQR и выбросы\outliers
Комлексный анализ описательных статистик: describe
Ящик с усами: визуал для среднего,квартилей,мин и макс, выбросов
Меры формы распределения: асимметрия и эксцесс
Итоги раздела
Визуализации данных
Что такое визуализации?
Воспоминания как строятся диаграммы
Агрегирующие и неагрегирующие диаграммы
"Плавный" аналог гистограммы: агрегирующая KDE
Столбиковые\Линейчатые диаграммы: вертикальные и горизонтальные
Разбор и управление элементами диаграмм
Цветовое форматирование визуальных элементов
Группировка с распаковкой индекса: метод .groupby() с .unstack()
Столбцы на разные диаграммы (subplots)
Столбиковые диаграммы: с группировкой и с наложением
Погрешности\Коридор прогноза на диаграммах
График
Вторая Y-ось
Комбинированная диаграмма
График\диаграмма с областями
Круговые диаграммы
Диаграмма рассеивания\точечная
Превращаем точки в "пузыри"
Матрица скаттерплотов
Как забрать диаграммы в Power Point
Таблица - также визуальный элемент
Подводим итоги визуализаций
Анализ данных: Сравнение групп
Основные блоки задач, решаемые при анализе данных
Генеральная совокупность и выборка
Гипотезы и вероятность ошибки\значимость
Параметрика\непараметрика
Проверка распределения "на нормальность"
Зависимые (парные, связанные) и Независимые группы
Тест: Систематизация основных понятий
Сравнение независимых групп: 2 группы, параметрика
О навигации по таблицам результатов (вспомним датафреймы)
Сравнение независимых групп: 2 группы, непараметрика
Тест 2-х групп (почти самостоятельное задание)
Сравнение незав. групп:более 2-х групп,параметрика,с пост-хок
Сравнение незав. групп:более 2-х групп,непараметрика, с пост-хок
Сравнение парных\связанных групп: 2 группы, параметрика
Сравнение парных\связанных групп: 2 группы, непараметрика
Сравнение парных групп: более 2-х групп, параметрика, с пост-хок
Помиксуем-ка мы сами...: парные и независимые группы вместе
Сравнение парных групп: более 2-х групп,непараметрика,с пост-хок
Таблицы сопряженности: Хи2 для категориальных признаков, независ
Таблицы сопряженности: МакНемар для категор. признаков в завис.
Разговоры о красивом
Групповые итоги
Анализ данных: связи между переменными
Рассуждения о связях между переменными
Сила, Направленность и Значимая\Неслучайна статистическая связь
Корреляции
Мидквел: многомерность выбросов
Мидквел: многомерная нормальность
Мидквел: корреляционная красота
Корреляция для повторных замеров
Ложные (частные\получастные) корреляции
Анализ надежности-согласованности
Линейная регрессия
Понятие нормализации данных
А если связи нелинейные?
Квантильная регрессия (библиотека statsmodels)
Что такое факторный анализ
Факторный анализ (библиотека factor_analyzer)
Итоги раздела
Анализ данных: классификация
Переходим к классификации и кластеризации
Кто учит алгоритмы? Обучение с учителем
Бинарная логистическая регрессия
Как понять хороша ли модель: Precision, Recall, ROC-AUC
Мультиномиальная логистическая регрессия
Порядковая логистическая регрессия
Ближайшие соседи k-NN
Деревья решений
Ансамбли: RandomForest (случайный лес) как бэггинг подход
Ансамбли: бустинги - каждая модель исправляет предыдущую
А если никто не учит? Обучение без учителя.
Кластерный анализ методом К-средних
Кластеризация на основе плотности DBSCAN
Визуализация кластеров на плоскости t-SNE
Нейросети как сложные классификаторы
Многослойный перцептрон MLP: с учителем
Болцмановские машины (RBM): без учителя
Итоги раздела
Мидквэл:анализ и прогнозирование временных рядов statsmodels.tsa
Что такое временной ряд и работа с ним
Главная ловушка при анализе временных рядов
Основные задачи анализа временных рядов
Компоненты временного ряда: тренд, сезонность, цикл, всплеск
С чего начинается: смотрим "на глазок"
Подавление "шумов":HPF(Hodrick-Prescott Filter) отделение тренда
Анализ сезонности (на ряду с другими компонентами)
(s)ARIMA(x): обучение на временном ряде и его прогнозирование
Итоги временных прогнозов
Небольшой факультатив:обзор других отдельных аналитических возм.
Используем SQL-скрипты в JupiterLabs
Использование Python в Excel 365
Не таблицами едиными: анализ текста, изображений, аудио, видео..
Разработка аналитических приложений
ИИ-помощники при работе с Python
Послесловие
Обобщение курса
Напутствие
Бонус-лекция
Никита Сергеев
Cтратегия и оргразвитие, анализ данных, управление проектами.
Автор курсов - профессиональный аналитик, сертифицированный менеджер проектов, консультант по стратегии и оргразвитию.
Ведущий инструктор русскоязычных курсов и программ в категории «Бизнес», "Бизнес-анализ" и "Data Science" на отечественных и международных платформах онлайн-образования. За плечами ряд крупных реорганизаций и преобразований \ трансформаций компаний.
Человек с уникальным сочетанием академической подготовки (организационная психология, управление международными проектами, степень МВА) и обширного бизнес-опыта. Автор прикладной бизнес-литературы.
Сотрудничает как с крупнейшими телеком- и промгигантами; компаниями финансового, нефтегазового и госсектора; так и с небольшими компаниями. Участвовал в ряде проектов и трансформационных программ (в т.ч. совместно с ведущими консалтинговыми компаниями).
В качестве преподавателя-инструктора за плечами прикладные тренинги и обучающие мероприятия для руководителей старшего и высшего менеджмента крупных компаний, а также преподавание учебных дисциплин на МВА-программах в России, СНГ и ЦВЕ.
Получено 03.11.2026
Складчина.biz[Stepik] Анализ данных Python: с 0 до уверенного бизнес-пользователя (Никита Сергеев)
Указаны на площадке: Никита Сергеев
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс не заточен под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в своей собственной предметной области (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Введение
Пару слов о курсе
Просто зашли поинтересоваться?
Как мы будем учиться
Знакомство с основами Python, его синтаксисом и мат. логикой
О языке Python
Популярные рабочие среды для Python
Знакомство с Jupyter Labs
Работа ячеек и ядра в Jupiter Labs
Нумерация и извлечение элементов в Python
Основы и особенности написания и оформления кода: синтаксис
Типы данных
Переменные
Динамическая типизация
Числовой калькулятор
Текстовые вычисления
А как дела с датами?
Мидквэл-лекция о модулях
Операторы сравнения
Логические операторы: and, or, not
Оператор принадлежности: in \ not in
Условные вычисления: if
Функции: def
Не о Half-Life: lambda-выражения
Итоги знакомства: что из этих основ может пригодиться в анализе
Углубление в основы: основные управляющие потоком конструкции
Что это за инструкции\конструкции
Условное принятие решений: логика if, elif, else
Условное принятие решений: паттерны\шаблоны match
Комбинация конструкций (на примере match и if)
Циклы: for и while
Управление\изменение поведения циклов: break и continue
Обработчики исключений\ошибок: try...except
Управление ресурсами: with (проба работы с файлами)
Итоги инструкций контроля потоков выполнения программы
О библиотеках: предназначение, подключения, использования
Что такое библиотеки или "забудьте (почти)все что мы учили ранее
Массивы и Таблицы
NumPy и SciPy для вычислений
Pandas и Polars: предназначение, отличия, подключение
Matplotlib, Seaborn, Plotly:предназначение, отличия, подключение
StatsModels с TSA: предназначение, отличия, подключение
ML (scikit-learn) с бустингом (...boost)
Вызов подсказок и справок по объектам в библиотеках
Библиотечные итоги
Основы для быстрого старта: как это все работает в комлексе
Большая картина: врубаемся что вообще происходит
Подготовка к написанию кода: подключаем библиотеки
Загрузка данных
Преобразование: очистка данных
Преобразование: добавление новых столбцов
Анализ данных: описательные статистики
Визуализация данных
Анализ данных: аналитическая статистика
Итоги раздела
ETL: извлечение, преобразование и загрузка данных
Общий процесс работы с данными и место в нем ETL
Series, DataFrame, векторные вычисл.(обработка столбцов целиком)
Навигация и отбор из датафрейма нужных данных
Подключение к csv
Подключение к Excel
Самостоятельное задание: проба загрузки таблицы из SPSS
ДатаФрейм и его Представление в Jupyter
Вывод ВСЕХ строк и столбцов
Выгрузка только нужных столбцов
Мидквел:мастер-класс по базовому пониманию справочных материалов
Изменения названий\имен\заголовков столбцов
Перемещение\Изменение порядка столбцов
Типы данных для столбцов: int, float, datetime, string
Выбор столбцов по типу данных
Систематизация чтений\подключений
Вычисление новых столбцов: числовые столбцы
Вычисление новых столбцов: разделение и объединение столбцов
Вычисление новых столбцов: текстовые столбцы
Вычисление новых столбцов: столбцы с датами
Вычисление новых столбцов: условный столбец\перекодировка
Вместо условного столбца: разбиение значений на группы (cut)
Из одного столбца сделать много столбцов с 0\1
Удаление лишних\ненужных столбцов
Систематизация работы со столбцами
Тест по столбцам
Оставление нужных строк сверху\снизу таблицы
Удаление лишних\ненужных строк (порядок, дубликаты)
Фильтрация\Отбор строк для анализа: условие c | и &
Тест по строкам
Стратегии работы с пустыми значениями
Удаление пустых строк и столбцов
Заполнение пустых значений другими значениями
Заполнение вниз\вверх
Интерполяция "пустышек" во времени (периодичные данные)
Комплексные функционалы для АНАЛИЗА пропущенных значений
Тест по пропускам
Стратегии проверки данных: опечатки, смысл, не тот тип
Мидквел-лекция: Основы оконных вычислений
Группировка\Агрегирование: понижение гранулярности таблицы
Транспонирование DataFrame\таблицы
Сводные таблицы (Pivot, Pivot Table, Crosstab)
Мельтинг\Отмена свертывания\Unpivot
Тест по изменению таблицы
Слияние нескольких массивов\таблиц: добавление строк
Слияние нескольких таблиц: добавление столбцов (с исп.ключей)
Тест по джойнам и юнионам
Сохранение данных в файл
Итоги загрузки, очистки и подготовки данных
Описательные статистики
Что такое описательные статистики
Частотный анализ (частотное распределение)
Частоты под несколько переменных
4 группы мер в описательной статистике
Меры центральной тенденции: среднее, мода, медиана
Меры точек относительного разделения : процентили и квартили
Меры рассеивания\вариативности: дисперсия, ст.отклонение, размах
IQR и выбросы\outliers
Комлексный анализ описательных статистик: describe
Ящик с усами: визуал для среднего,квартилей,мин и макс, выбросов
Меры формы распределения: асимметрия и эксцесс
Итоги раздела
Визуализации данных
Что такое визуализации?
Воспоминания как строятся диаграммы
Агрегирующие и неагрегирующие диаграммы
"Плавный" аналог гистограммы: агрегирующая KDE
Столбиковые\Линейчатые диаграммы: вертикальные и горизонтальные
Разбор и управление элементами диаграмм
Цветовое форматирование визуальных элементов
Группировка с распаковкой индекса: метод .groupby() с .unstack()
Столбцы на разные диаграммы (subplots)
Столбиковые диаграммы: с группировкой и с наложением
Погрешности\Коридор прогноза на диаграммах
График
Вторая Y-ось
Комбинированная диаграмма
График\диаграмма с областями
Круговые диаграммы
Диаграмма рассеивания\точечная
Превращаем точки в "пузыри"
Матрица скаттерплотов
Как забрать диаграммы в Power Point
Таблица - также визуальный элемент
Подводим итоги визуализаций
Анализ данных: Сравнение групп
Основные блоки задач, решаемые при анализе данных
Генеральная совокупность и выборка
Гипотезы и вероятность ошибки\значимость
Параметрика\непараметрика
Проверка распределения "на нормальность"
Зависимые (парные, связанные) и Независимые группы
Тест: Систематизация основных понятий
Сравнение независимых групп: 2 группы, параметрика
О навигации по таблицам результатов (вспомним датафреймы)
Сравнение независимых групп: 2 группы, непараметрика
Тест 2-х групп (почти самостоятельное задание)
Сравнение незав. групп:более 2-х групп,параметрика,с пост-хок
Сравнение незав. групп:более 2-х групп,непараметрика, с пост-хок
Сравнение парных\связанных групп: 2 группы, параметрика
Сравнение парных\связанных групп: 2 группы, непараметрика
Сравнение парных групп: более 2-х групп, параметрика, с пост-хок
Помиксуем-ка мы сами...: парные и независимые группы вместе
Сравнение парных групп: более 2-х групп,непараметрика,с пост-хок
Таблицы сопряженности: Хи2 для категориальных признаков, независ
Таблицы сопряженности: МакНемар для категор. признаков в завис.
Разговоры о красивом
Групповые итоги
Анализ данных: связи между переменными
Рассуждения о связях между переменными
Сила, Направленность и Значимая\Неслучайна статистическая связь
Корреляции
Мидквел: многомерность выбросов
Мидквел: многомерная нормальность
Мидквел: корреляционная красота
Корреляция для повторных замеров
Ложные (частные\получастные) корреляции
Анализ надежности-согласованности
Линейная регрессия
Понятие нормализации данных
А если связи нелинейные?
Квантильная регрессия (библиотека statsmodels)
Что такое факторный анализ
Факторный анализ (библиотека factor_analyzer)
Итоги раздела
Анализ данных: классификация
Переходим к классификации и кластеризации
Кто учит алгоритмы? Обучение с учителем
Бинарная логистическая регрессия
Как понять хороша ли модель: Precision, Recall, ROC-AUC
Мультиномиальная логистическая регрессия
Порядковая логистическая регрессия
Ближайшие соседи k-NN
Деревья решений
Ансамбли: RandomForest (случайный лес) как бэггинг подход
Ансамбли: бустинги - каждая модель исправляет предыдущую
А если никто не учит? Обучение без учителя.
Кластерный анализ методом К-средних
Кластеризация на основе плотности DBSCAN
Визуализация кластеров на плоскости t-SNE
Нейросети как сложные классификаторы
Многослойный перцептрон MLP: с учителем
Болцмановские машины (RBM): без учителя
Итоги раздела
Мидквэл:анализ и прогнозирование временных рядов statsmodels.tsa
Что такое временной ряд и работа с ним
Главная ловушка при анализе временных рядов
Основные задачи анализа временных рядов
Компоненты временного ряда: тренд, сезонность, цикл, всплеск
С чего начинается: смотрим "на глазок"
Подавление "шумов":HPF(Hodrick-Prescott Filter) отделение тренда
Анализ сезонности (на ряду с другими компонентами)
(s)ARIMA(x): обучение на временном ряде и его прогнозирование
Итоги временных прогнозов
Небольшой факультатив:обзор других отдельных аналитических возм.
Используем SQL-скрипты в JupiterLabs
Использование Python в Excel 365
Не таблицами едиными: анализ текста, изображений, аудио, видео..
Разработка аналитических приложений
ИИ-помощники при работе с Python
Послесловие
Обобщение курса
Напутствие
Бонус-лекция
Никита Сергеев
Cтратегия и оргразвитие, анализ данных, управление проектами.
Автор курсов - профессиональный аналитик, сертифицированный менеджер проектов, консультант по стратегии и оргразвитию.
Ведущий инструктор русскоязычных курсов и программ в категории «Бизнес», "Бизнес-анализ" и "Data Science" на отечественных и международных платформах онлайн-образования. За плечами ряд крупных реорганизаций и преобразований \ трансформаций компаний.
Человек с уникальным сочетанием академической подготовки (организационная психология, управление международными проектами, степень МВА) и обширного бизнес-опыта. Автор прикладной бизнес-литературы.
Сотрудничает как с крупнейшими телеком- и промгигантами; компаниями финансового, нефтегазового и госсектора; так и с небольшими компаниями. Участвовал в ряде проектов и трансформационных программ (в т.ч. совместно с ведущими консалтинговыми компаниями).
В качестве преподавателя-инструктора за плечами прикладные тренинги и обучающие мероприятия для руководителей старшего и высшего менеджмента крупных компаний, а также преподавание учебных дисциплин на МВА-программах в России, СНГ и ЦВЕ.
Получено 17.10.2026
Sharewood«Анализ данных Python: с 0 до уверенного бизнес-пользователя [Stepik]» [Никита Сергеев]
Указаны на площадке: Никита Сергеев
Чему вы научитесь
Основы Python, типов данных и вычислений
ETL (извлечение, преобразования\подготовка\вычисления и загрузка данных) - Pandas
Визуализация данных (на основе Pandas под капотом которого Matplot + немного Seaborn и чуточку Plotly)
Описательные статистики (Pandas)
Сравнение групп (тесты и проверка гипотез) - Pingouin
Поиск скрытых связей между переменными - Pingouin
Классификация объектов, предсказание их принадлежности к определенной группе sklearn
Анализ временных рядов и прогнозирование будущих трендов - statsmodels.TSA
О курсе
Предмет данного курса - простой, лаконичный, удобочитаемый и кроссплатформенный язык программирования Python. Он используется в разработке веб-приложений, анализе данных, искусственном интеллекте, автоматизации, кибербезопасности и многих других областях - и наша область его применения в данном курсе это анализ данных
В вакансиях технических компаний за последние 3 года Python входит в ТОП-1 требуемых технических навыков в области Data Science и Аналитика Данных
Этот курс - это способ максимально быстро ознакомиться с возможностями Python с точки зрения аналитика (бизнес-пользователя). Он спроектирован так, чтобы в самый короткий строк и без излишеств сделать из новичка уверенного бизнес-пользователя основных возможностей Python для анализа данных
Освещенных в курсе возможностей Python достаточно для решения основных бизнес-задач по извлечению, преобразованию\подготовке, визуализации и анализу данных данных. Обучение заточено не просто на заучивание команд и синтаксиса Python, а и на то, чтобы научить "думать на Python" (т.е., сформировать понимание логики его работы и логики разных конкретных библиотек).
Курс сфокусирован не только и не столько на демонстрацию экрана с кодом в ~200 лекциях, а на практическое освоение языка. Поэтому он насыщен практическими заданиями (более 170 ЗАДАНИЙ!), которые не только отлично прорабатывают лекционный материал, а формируют прикладные навыки использования Python
Курс от профессионала в анализе данных: владеющего навыками от обработки данных в MS Excel (вкл. надстройки семейства Power) и статанализа с предиктивной аналитикой в спецпрограммах (SPSS, JASP, Statistica...) - и до языков и методов Data Science применяемых в разработке систем "искусственного интеллекта" (Python, R).
Создатель курса - автор популярной бизнес -литературы (доступна в крупнейших магазинах: Amazon, Ozon, ЛитРес, Ridero...). В частности, автор одного из русскоязычных бестселлеров в категории "Анализ данных" - книги "Аналитика и Data Science для не-аналитиков и даже 100% гуманитариев", а также одной из первых книг отечественных авторов по работе с компонентом ETL Power Query для Excel и Power BI "Power Query: учебное руководство";
Невзирая на массу современных инструментов визуальных инструментов подключения и извлечения данных из баз - Python популярен не только в среде ИТшников, а и обычных бизнес-пользователей (в первую очередь аналитиков). Это как раз тот навык, потраченное на изучение которого время отличная инвестиция!
Курс НЕ ЗАТОЧЕН под конкретную предметную область (учет, коммерция, розница, маркетинг, закупки, проекты, кадры, медицина, строительство и т.д.): он формирует чистое понимание, знания и навыки Python для анализа данных - и с этими знаниями Вы, как эксперт в СВОЕЙ СОБСТВЕННОЙ ПРЕДМЕТНОЙ ОБЛАСТИ (отрасли, дисциплине, сфере, функции...), сможете легко их применить для решения именно Ваших прикладных задач
Обратите внимание, что курс именно о языке Python для бизнес-пользователей и только под задачи анализа данных: а поэтому в нем НЕ БУДЕТ разбора (а если где-то вдруг будет, то поверхностный минимум достаточного для целей данного курса и без углубления в тему) использование его в таких направлениях, к примеру:
Web-разработка
GUI-разработка
разработка ПО
Статистика и теория вероятности
и т.д.
Для кого этот курс
Планирующим двигаться в ИТ: будущим программистам, тестировщикам, data science-специалистам...
Профессионалам любых специальностей (обычным бизнес-пользователям), интересующихся темой анализа данных
Аналитикам данных любой области \ отрасли
Начальные требования
Базовое умение устанавливать приложения\ПО на свой ПК следуя инструкциям - для прохождения курса нужно будет установить Anaconda\Jupiter Lab (или как альтернатива уметь самостоятельно пользоваться онлайн инструментами совместимыми с Python)
Около5 Гб свободного места на ПК для установки рабочей среды (бесплатной)
Навыки базовых операций с файлами в офисных приложениях: умение открывать, сохранять, удалять, переименовывать, копировать\вставлять, вырезать и т.д.
Понимание базовых математических операций, правил учета скобок; желательно еще основы текстовых операций, а также работы с датами. Понимание структуры\элементов таблицы (строки, столбцы, различать заголовки столбцов и значения на пересечении строк и столбцов). В идеале ориентировочное знание\понимание табличных вычислений (по столбцу целиком) и преобразований (транспонирование, отмена свертывания\мельтинг, join'ы и union'ы....)
Никакой специализированной предварительной подготовки в плане основ программирования или теории вероятности с матстатистикой от студента не требуется - курс реально "с нуля". Важно только желание освоить Python для анализа данных.
Желательно понимание структуры файлов\источников данных с которыми Вы работаете на практике (например, что книга Excel содержит внутри Листы; а XML-файл имеет узлы; а SQL база состоит из схем; и т.д.)
Желательно знание что такое таблицы и диаграммы (визуализации), и умение их "читать" (как минимум базовые: столбиковые, круговые, графики\линии, точечные)
Программа этой площадки
Программа:
Получено 15.11.2026
Знакомство с Jupyter LabsВремя не указано
Работа ячеек и ядра в Jupiter LabsВремя не указано
Нумерация и извлечение элементов в PythonВремя не указано
Основы и особенности написания и оформления кода: синтаксисВремя не указано
Типы данныхВремя не указано
ПеременныеВремя не указано
Динамическая типизацияВремя не указано
Числовой калькуляторВремя не указано
Текстовые вычисленияВремя не указано
А как дела с датами?Время не указано
Мидквэл-лекция о модуляхВремя не указано
Операторы сравненияВремя не указано
Логические операторы: and, or, notВремя не указано
Оператор принадлежности: in \ not inВремя не указано
Условные вычисления: ifВремя не указано
Функции: defВремя не указано
Не о Half-Life: lambda-выраженияВремя не указано
Итоги знакомства: что из этих основ может пригодиться в анализеВремя не указано
Углубление в основы: основные управляющие потоком конструкцииВремя не указано
Что это за инструкции\конструкцииВремя не указано
Условное принятие решений: логика if, elif, elseВремя не указано
Условное принятие решений: паттерны\шаблоны matchВремя не указано
Комбинация конструкций (на примере match и if)Время не указано
Циклы: for и whileВремя не указано
Управление\изменение поведения циклов: break и continueВремя не указано
Обработчики исключений\ошибок: try...exceptВремя не указано
Управление ресурсами: with (проба работы с файлами)Время не указано
Итоги инструкций контроля потоков выполнения программыВремя не указано
О библиотеках: предназначение, подключения, использованияВремя не указано
Что такое библиотеки или "забудьте (почти)все что мы учили ранееВремя не указано
Массивы и ТаблицыВремя не указано
NumPy и SciPy для вычисленийВремя не указано
Pandas и Polars: предназначение, отличия, подключениеВремя не указано
Matplotlib, Seaborn, Plotly:предназначение, отличия, подключениеВремя не указано
StatsModels с TSA: предназначение, отличия, подключениеВремя не указано
ML (scikit-learn) с бустингом (...boost)Время не указано
Вызов подсказок и справок по объектам в библиотекахВремя не указано
Библиотечные итогиВремя не указано
Основы для быстрого старта: как это все работает в комплексеВремя не указано
Большая картина: врубаемся что вообще происходитВремя не указано
Подготовка к написанию кода: подключаем библиотекиВремя не указано
Загрузка данныхВремя не указано
Преобразование: очистка данныхВремя не указано
Преобразование: добавление новых столбцовВремя не указано
Анализ данных: описательные статистикиВремя не указано
Визуализация данныхВремя не указано
Анализ данных: аналитическая статистикаВремя не указано
Итоги разделаВремя не указано
ETL: извлечение, преобразование и загрузка данныхВремя не указано
Общий процесс работы с данными и место в нем ETLВремя не указано
Series, DataFrame, векторные вычисл.(обработка столбцов целиком)Время не указано
Навигация и отбор из датафрейма нужных данныхВремя не указано
Подключение к csvВремя не указано
Подключение к ExcelВремя не указано
Самостоятельное задание: проба загрузки таблицы из SPSSВремя не указано
ДатаФрейм и его Представление в JupyterВремя не указано
Вывод ВСЕХ строк и столбцовВремя не указано
Выгрузка только нужных столбцовВремя не указано
Мидквел:мастер-класс по базовому пониманию справочных материаловВремя не указано
Изменения названий\имен\заголовков столбцовВремя не указано
Перемещение\Изменение порядка столбцовВремя не указано
Типы данных для столбцов: int, float, datetime, stringВремя не указано
Выбор столбцов по типу данныхВремя не указано
Систематизация чтений\подключенийВремя не указано
Вычисление новых столбцов: числовые столбцыВремя не указано
Вычисление новых столбцов: разделение и объединение столбцовВремя не указано
Вычисление новых столбцов: текстовые столбцыВремя не указано
Вычисление новых столбцов: столбцы с датамиВремя не указано
Вычисление новых столбцов: условный столбец\перекодировкаВремя не указано
Вместо условного столбца: разбиение значений на группы (cut)Время не указано
Из одного столбца сделать много столбцов с 0\1Время не указано
Удаление лишних\ненужных столбцовВремя не указано
Систематизация работы со столбцамиВремя не указано
Тест по столбцамВремя не указано
Оставление нужных строк сверху\снизу таблицыВремя не указано
Удаление лишних\ненужных строк (порядок, дубликаты)Время не указано
Фильтрация\Отбор строк для анализа: условие c | и &Время не указано
Тест по строкамВремя не указано
Стратегии работы с пустыми значениямиВремя не указано
Удаление пустых строк и столбцовВремя не указано
Заполнение пустых значений другими значениямиВремя не указано
Заполнение вниз\вверхВремя не указано
Интерполяция "пустышек" во времени (периодичные данные)Время не указано
Комплексные функционалы для АНАЛИЗА пропущенных значенийВремя не указано
Тест по пропускамВремя не указано
Стратегии проверки данных: опечатки, смысл, не тот типВремя не указано
Мидквел-лекция: Основы оконных вычисленийВремя не указано
Группировка\Агрегирование: понижение гранулярности таблицыВремя не указано
Транспонирование DataFrame\таблицыВремя не указано
Сводные таблицы (Pivot, Pivot Table, Crosstab)Время не указано
Мельтинг\Отмена свертывания\UnpivotВремя не указано
Тест по изменению таблицыВремя не указано
Слияние нескольких массивов\таблиц: добавление строкВремя не указано
Слияние нескольких таблиц: добавление столбцов (с исп.ключей)Время не указано
Тест по джойнам и юнионамВремя не указано
Сохранение данных в файлВремя не указано
Итоги загрузки, очистки и подготовки данныхВремя не указано
Описательные статистикиВремя не указано
Что такое описательные статистикиВремя не указано
Частотный анализ (частотное распределение)Время не указано
Частоты под несколько переменныхВремя не указано
4 группы мер в описательной статистикеВремя не указано
Меры центральной тенденции: среднее, мода, медианаВремя не указано
Меры точек относительного разделения : процентили и квартилиВремя не указано
Меры рассеивания\вариативности: дисперсия, ст.отклонение, размахВремя не указано
IQR и выбросы\outliersВремя не указано
Комлексный анализ описательных статистик: describeВремя не указано
Ящик с усами: визуал для среднего,квартилей,мин и макс, выбросовВремя не указано
Меры формы распределения: асимметрия и эксцессВремя не указано
Итоги разделаВремя не указано
Визуализации данныхВремя не указано
Что такое визуализации?Время не указано
Воспоминания как строятся диаграммыВремя не указано
Агрегирующие и неагрегирующие диаграммыВремя не указано
"Плавный" аналог гистограммы: агрегирующая KDEВремя не указано
Столбиковые\Линейчатые диаграммы: вертикальные и горизонтальныеВремя не указано
Разбор и управление элементами диаграммВремя не указано
Цветовое форматирование визуальных элементовВремя не указано
Группировка с распаковкой индекса: метод .groupby() с .unstack()Время не указано
Столбцы на разные диаграммы (subplots)Время не указано
Столбиковые диаграммы: с группировкой и с наложениемВремя не указано
Погрешности\Коридор прогноза на диаграммахВремя не указано
ГрафикВремя не указано
Вторая Y-осьВремя не указано
Комбинированная диаграммаВремя не указано
График\диаграмма с областямиВремя не указано
Круговые диаграммыВремя не указано
Диаграмма рассеивания\точечнаяВремя не указано
Превращаем точки в "пузыри"Время не указано
Матрица скаттерплотовВремя не указано
Как забрать диаграммы в Power PointВремя не указано
Таблица - также визуальный элементВремя не указано
Подводим итоги визуализацийВремя не указано
Анализ данных: Сравнение группВремя не указано
Основные блоки задач, решаемые при анализе данныхВремя не указано
Генеральная совокупность и выборкаВремя не указано
Гипотезы и вероятность ошибки\значимостьВремя не указано
Параметрика\непараметрикаВремя не указано
Проверка распределения "на нормальность"Время не указано
Зависимые (парные, связанные) и Независимые группыВремя не указано
Тест: Систематизация основных понятийВремя не указано
Сравнение независимых групп: 2 группы, параметрикаВремя не указано
О навигации по таблицам результатов (вспомним датафреймы)Время не указано
Сравнение независимых групп: 2 группы, непараметрикаВремя не указано
Тест 2-х групп (почти самостоятельное задание)Время не указано
Сравнение незав. групп:более 2-х групп,параметрика,с пост-хокВремя не указано
Сравнение незав. групп:более 2-х групп,непараметрика, с пост-хокВремя не указано
Сравнение парных\связанных групп: 2 группы, параметрикаВремя не указано
Сравнение парных\связанных групп: 2 группы, непараметрикаВремя не указано
Сравнение парных групп: более 2-х групп, параметрика, с пост-хокВремя не указано
Помиксуем-ка мы сами...: парные и независимые группы вместеВремя не указано
Сравнение парных групп: более 2-х групп,непараметрика,с пост-хокВремя не указано
Таблицы сопряженности: Хи2 для категориальных признаков, независВремя не указано
Таблицы сопряженности: МакНемар для категор. признаков в завис.Время не указано
Разговоры о красивомВремя не указано
Групповые итогиВремя не указано
Анализ данных: связи между переменнымиВремя не указано
Рассуждения о связях между переменнымиВремя не указано
Сила, Направленность и Значимая\Неслучайна статистическая связьВремя не указано
КорреляцииВремя не указано
Мидквел: многомерность выбросовВремя не указано
Мидквел: многомерная нормальностьВремя не указано
Мидквел: корреляционная красотаВремя не указано
Корреляция для повторных замеровВремя не указано
Ложные (частные\получастные) корреляцииВремя не указано
Анализ надежности-согласованностиВремя не указано
Линейная регрессияВремя не указано
Понятие нормализации данныхВремя не указано
А если связи нелинейные?Время не указано
Квантильная регрессия (библиотека statsmodels)Время не указано
Что такое факторный анализВремя не указано
Факторный анализ (библиотека factor_analyzer)Время не указано
Итоги разделаВремя не указано
Анализ данных: классификацияВремя не указано
Переходим к классификации и кластеризацииВремя не указано
Кто учит алгоритмы? Обучение с учителемВремя не указано
Бинарная логистическая регрессияВремя не указано
Как понять хороша ли модель: Precision, Recall, ROC-AUCВремя не указано
Мультиномиальная логистическая регрессияВремя не указано
Похожие курсы и совпадения: данные сейчас недоступны. Повторить загрузку