• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Глава в книге
Chordal Embeddings Based on Topology of the Tonal Space

Ayzenberg A., Beketov M., Burashnikova A. et al.

In bk.: Artificial Intelligence in Music, Sound, Art and Design: 12th International Conference, EvoMUSART 2023, Held as Part of EvoStar 2023, Brno, Czech Republic, April 12–14, 2023, Proceedings. Vol. 13988. Cham: Springer, 2023. Ch. 2. P. 20-33.

Препринт
On classification of non-abelian Painlevé type systems

Bobrova I., Sokolov V.

arxiv.org. math. Cornell University, 2023

Основы анализа данных в Python

2022/2023
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс по выбору
Когда читается:
3-й курс, 1 модуль

Преподаватели

Программа дисциплины

Аннотация

Дисциплина нацелена на развитие навыков обработки количественных данных в Python без углубления в математические основы и статистическую теорию. Элементы статистической теории в этом курсе используются, однако акцент делается на процедурах подготовки данных к анализу (чистка данных, фильтрация, группировка, агрегирование, элементы визуализации), а также использовании и интерпретации коэффициентов корреляции и регрессии (линейной и логистической) - наиболее широко применяемых инструментах анализа данных в социальных науках.
Цель освоения дисциплины

Цель освоения дисциплины

  • Освоение базовых инструментов анализа данных в Python. Подготовка к независимому экзамену по анализу данных.
Планируемые результаты обучения

Планируемые результаты обучения

  • Умение вычислять с использованием Python и интерпретировать базовые описательные статистики. Умение осуществлять в Python основные операции по работе с массивами данных (датафреймами).
  • Умение вычислять с использованием Python и интерпретировать основные меры корреляции.
  • Умение выбирать корректные способы визуализации и интерпретировать типичные графики. Умение создавать и редактировать графики в Python.
  • Умение оценивать регрессионные модели в Python, проверять гипотезы и интерпретировать коэффициенты. Умение диагностировать нарушения базовых допущений. Умение оценивать качество моделей.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Описательные статистики и статистический вывод
  • Корреляция
  • Визуализация
  • Линейная регрессия
  • Логистическая регрессия
Элементы контроля

Элементы контроля

  • неблокирующий Экзамен
  • неблокирующий Итоговый проект
  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Домашнее задание 4
  • неблокирующий Домашнее задание 5
  • неблокирующий Домашнее задание 6
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 1 модуль
    0.08 * Домашнее задание 5 + 0.25 * Экзамен + 0.08 * Домашнее задание 4 + 0.25 * Итоговый проект + 0.1 * Домашнее задание 6 + 0.08 * Домашнее задание 3 + 0.08 * Домашнее задание 1 + 0.08 * Домашнее задание 2
Список литературы

Список литературы

Рекомендуемая основная литература

  • Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
  • Голая статистика : самая интересная книга о самой скучной науке, Уилан, Ч., 2016
  • Как правильно пользоваться статистикой, Кимбл, Г., 1982

Рекомендуемая дополнительная литература

  • Введение в эконометрику : учебник для вузов, Доугерти, К., 2004