Programming for Data Science

2023/2024

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

School of Communication

Course type:

Compulsory course

When:

1 year, 2 module

Instructor

Чебурашкина Елена Александровна

Программа дисциплины

Аннотация

Настоящая дисциплина читается на 1 курсе магистратуры образовательной программы «Коммуникации, основанные на данных» и относится к блоку базовых дисциплин программы. В результате успешного освоения курса студенты будут знать: • особенности интерфейса Jupyter Notebook; • переменные и базовые объекты в Python; уметь: • адекватно оценивать корректность использования методов анализа данных, применяемых при решении практических задач; владеть: • навыками программирования в Python; • навыками работы с наборами данных; • обработки и анализа данных с помощью библиотеки Pandas.

Цель освоения дисциплины

• Целями освоения дисциплины «Программирование для анализа данных» являются: - овладение навыками программирования на языке Python; - овладение навыками работы в среде интерактивной разработки Jupyter Notebook; - овладение методами обработки, анализа и визуализации качественных и количественных данных для решения прикладных задач, возникающих в сфере управления интегрированными коммуникациями и маркетинга.

Планируемые результаты обучения

• Владеет навыками парсинга данных и работы с базами данных в Python.
• Знает особенности интерфейса Jupyter Notebook, переменные и базовые объекты в Python.
• Использует библиотеку pandas для анализа данных
• Умеет выполнять анализ и визуализацию данных в Python.

Содержание учебной дисциплины

• Тема 1. Введение в работу с Python и Jupyter Notebook.
• Тема 2. Основы работы с библиотекой Pandas.
• Тема 3. Разведывательный анализ данных в Python. Визуализация количественных и качественных данных в Python. Визуализация данных с помощью Pandas.
• Тема 4. Работа с API. Парсинг HTML-страниц. Работа с базами данных из Python.

Элементы контроля

• Оэкз – экзамен
  Экзамен представляет собой набор из 20 задач по пройденным темам, которые выполняются на компьютере в Python (Jupyter Notebook). Экзамен оценивается по 10-ти балльной шкале. Процедура пересдачи аналогична процедуре сдачи.
• Осам. работа – самостоятельная работа.
  Самостоятельная работа проводится в аудитории разово в середине учебного курса
• Од/з – домашнее задание.
  Домашние задания после каждой темы (всего 4 домашних задания ).

Промежуточная аттестация

• 2023/2024 2nd module
  0.3 * Од/з – домашнее задание. + 0.3 * Осам. работа – самостоятельная работа. + 0.4 * Оэкз – экзамен

Список литературы

Рекомендуемая основная литература

• Криволапов, С. Я., Статистические вычисления на платформе Jupyter Notebook с использованием Python : учебник / С. Я. Криволапов. — Москва : КноРус, 2022. — 431 с. — ISBN 978-5-406-09739-7. — URL: https://book.ru/book/943660 (дата обращения: 25.08.2023). — Текст : электронный.
• Чернышев, С. А., Алгоритмы и структуры данных на Python : учебное пособие / С. А. Чернышев. — Москва : КноРус, 2024. — 326 с. — ISBN 978-5-406-11683-8. — URL: https://book.ru/book/949701 (дата обращения: 25.08.2023). — Текст : электронный.

Рекомендуемая дополнительная литература

• McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
• Pilgrim, M. (2009). Dive Into Python 3. New York: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=326208
• Vanderplas, J. T. (2016). Python Data Science Handbook : Essential Tools for Working with Data (Vol. First edition). Sebastopol, CA: Reilly - O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1425081