«Первичный анализ данных в Python (часть 1)» [МФТИ]

Описание курса На курсе мы покажем, как проходит полный цикл анализа данных в индустрии: от сбора и обработки и агрегации данных до построения графиков и аналитических отчетов. Вы научитесь пользоваться современными аналитическими инструментами в Python и научитесь адаптировать их под особенности конкретных задач. На курсе вы получите: - практические кейсы, взятые из реальной жизни, на применение Pandas, Numpy, Seaborn, Matplotlib, Prophet и других библиотек Python; - кейсы на исследовательский анализ данных, визуализацию, A/B тестирование, анализ работы рекомендательной системы, прогнозирование временных рядов, а самые активные научатся делать и чат-ботов в качестве бонуса - постоянное живое общение с преподавателем МФТИ на вебинарах и в телеграм-чате группы; - ответы на все свои вопросы по ходу курса от преподавателя; - обратную связь на интересные домашние задания; - диплом МФТИ о повышении квалификации. Финал курса – защита выпускных работ, где Вы решите реальную задачу анализа данных. После успешного завершения слушатели получат диплом МФТИ о повышении квалификации. Неделя 1. Познакомимся с основами Python, напишем первые программы, будем много практиковаться для получения уверенности в языке. На этой неделе мы изучим и освежим в голове те части языка Python, которые дальше пригодятся для анализа данных. Вас ждет большое количество практических упражнений. Также вы получите большое финальное задание на весь курс. Изучение новых инструментов на практике в течение курса будут открывать новые кусочки пазла знаний и навыков, необходимых для выполнения финального проекта. Неделя 2. Подготовка данных к анализу — первый шаг к решению аналитической задачи. Учимся подготавливать данные к анализу и эффективно работать с табличными данными с помощью Pandas. Научимся эффективно работать с табличными данными и выполнять базовую бизнес-аналитику с помощью Pandas. В качестве практического проекта будем исследовать влияние данных о возвратах банковских кредитов. Вы подготовите отчет для кредитного отдела банка. Нужно разобраться, влияет ли семейное положение и количество детей у заемщика на факт своевременного возврата кредита. Неделя 3. Исследовательский анализ данных. Учимся использовать средства визуализации для работы с данными Matplotlib и Seaborn. Исследовательский анализ данных. Предварительный поиск закономерностей в данных позволяет получить первое представление о природе данных и помогает сформулировать первые гипотезы для анализа. Учимся использовать средства визуализации для работы с данными. Познакомимся с модулями для визуализации данных Matplotlib и Seaborn. Неделя 4. Изучаем основы статистики и теории вероятностей для решения бизнес-задач. Учимся тестировать гипотезы. Введение в A/B-тесты. Измерить эффективность внедрения нового функционала в продукт можно понятными статистическими методами с помощью A/B-тестирования. В качестве практического проекта вы построите систему рекомендаций товаров для пользователей интернет-магазина. Неделя 5. Прогнозирование временных рядов, знакомство с азами машинного обучения. На этой неделе мы на реальных данных о продажах товаров интернет-магазина будем учиться анализировать и предсказывать временные ряды с помощью Python-модуля Prophet. Также в виде бонуса посмотрим, как можно автоматически находить закономерности в данных с помощью машинного обучения. Неделя 6. Используем все полученные навыки для выполнения финального проекта. На этой неделе мы будем заниматься выполнением финального проекта. Используем все полученные на курсе знания и навыки для решения задачи прогнозирования закупок товаров на склады магазина. Бонус: выдаем руководство по написанию собственного телеграм-бота.