Анализ данных в Python

Бакалавриат 2026/2027

ID 1191249

Статус: Курс обязательный (Фундаментальная и прикладная математика)

Кто читает: Кафедра фундаментальной математики

Где читается: Факультет информатики, математики и компьютерных наук (Нижний Новгород)

Когда читается: 3-й курс, 1 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Панюшев Антон Алексеевич

Язык: русский

Кредиты: 6

Контактные часы: 16

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению основных методов анализа данных и их практической реализации на языке Python. В рамках курса студенты освоят работу с табличными данными: фильтрацию, сортировку, создание новых признаков, объединение таблиц, построение сводных таблиц и визуализацию данных. Отдельное внимание уделяется описательной статистике, корреляционному анализу и проверке статистических гипотез. В заключительной части курса рассматриваются базовые методы машинного обучения — линейная и логистическая регрессия, обучение моделей и оценка их качества с помощью основных метрик. Практические задания направлены на формирование навыков самостоятельного анализа реальных наборов данных, интерпретации полученных результатов и подготовку к независимому экзамену по анализу данных базового уровня.

Цель освоения дисциплины

Цель освоения курса — формирование у студентов базовых теоретических знаний и практических навыков анализа данных с использованием языка Python. В результате освоения курса студенты должны уметь выполнять подготовку, обработку и визуализацию данных, применять основные методы описательной статистики и статистического тестирования гипотез, исследовать взаимосвязи между признаками, строить и оценивать модели линейной и логистической регрессии, а также интерпретировать результаты проведённого анализа. Курс направлен на развитие способности самостоятельно выбирать и применять подходящие методы анализа для решения практических задач и на подготовку к независимому экзамену по анализу данных базового уровня.

Планируемые результаты обучения

Студент умеет загружать и просматривать табличные данные, фильтровать наблюдения по заданным условиям и выполнять сортировку данных по одному или нескольким признакам.
Студент умеет создавать новые признаки на основе существующих столбцов, выполнять преобразования строковых и числовых данных, а также извлекать необходимую информацию из даты и времени.
Студент умеет объединять таблицы по одному или нескольким ключам, выбирать подходящий способ объединения и анализировать полученный результат.
Студент умеет группировать данные, рассчитывать агрегированные показатели и строить сводные таблицы для анализа взаимосвязей между признаками.
Студент умеет выбирать подходящий тип визуализации, строить основные статистические графики и интерпретировать представленную на них информацию.
Студент умеет рассчитывать основные описательные статистики, выбирать подходящие характеристики в зависимости от типа и распределения данных, интерпретировать полученные значения и выявлять выбросы.
Студент умеет рассчитывать коэффициенты корреляции Пирсона и Спирмена, выбирать подходящий коэффициент, интерпретировать его значение и анализировать взаимосвязи между признаками по графикам и корреляционной матрице.
Студент умеет разделять данные на обучающую и тестовую выборки, строить и обучать модель линейной регрессии, получать предсказания, интерпретировать параметры модели и рассчитывать основные метрики качества.
Студент умеет формулировать статистические гипотезы, выбирать подходящий статистический тест, проводить его в Python и интерпретировать полученные результаты на основе p-value.
Студент умеет строить и обучать модель логистической регрессии, получать предсказания классов и вероятностей, а также рассчитывать и интерпретировать метрики Accuracy, Precision, Recall, F1, ROC-AUC и Log Loss.