Курс Аналіз даних за допомогою Python

Під час навчання учасники ознайомляться з основними бібліотеками для обробки та візуалізації даних (Pandas, Numpy, Matplotlib, Seaborn), опанують методи машинного навчання (регресія, класифікація, кластеризація), а також навчаться працювати з SQL для аналізу даних у базах даних. Курс розрахований як на новачків, так і на фахівців, які прагнуть поглибити свої знання в аналізі даних.

Програма курсу

Обробка даних Pandas

• Вступ до курсу
• Налаштування середовища
• Вступ до Pandas
• Створення та робота з DataFrame і Series
• Імпорт даних із CSV, Excel, SQL Database та JSON файлів
• Індексація та фільтрація даних
• Сортування даних
• Обробка пропущених значень
• Групування та агрегування даних
• Злиття та об'єднання таблиць

Обробка даних Numpy

• Вступ до Numpy та створення масивів
• Ініціалізація масивів:
  • одномірні
  • двовимірні
  • багатовимірні
• Індексація, зрізи та маніпуляції з елементами масиву
• Арифметичні операції та векторизація
• Обробка пропущених та некоректних значень у масивах
• Статистичні функції:
  • середнє
  • медіана
  • стандартне відхилення
• Зміна форми масивів та об'єднання масивів
• Збереження та завантаження масивів із файлів

Візуалізація Matplotlib

• Вступ до Matplotlib та його можливості
• Створення простих графіків (лінійний, точковий, стовпчастий)
• Налаштування осей, заголовків та підписів графіків
• Зміна кольорів, стилів та маркерів графіків
• Додавання легенд, анотацій та тексту на графіки
• Побудова кількох графіків на одному полотні (subplots)
• Збереження графіків у різних форматах файлів (PNG, PDF)
• Створення спеціалізованих графіків (гістограми, кругові діаграми, коробчасті діаграми)

Візуалізація Seaborn

• Вступ до Seaborn та його особливості
• Створення графіків розподілу даних (histplot, kdeplot, distplot)
• Побудова категоріальних графіків (barplot, countplot, boxplot)
• Використання графіків відношень (scatterplot, lineplot)
• Теплові карти (heatmap) для візуалізації кореляцій та матриць
• Налаштування стилів та палітр кольорів у Seaborn
• Фасетна візуалізація (FacetGrid, pairplot) для групування даних
• Аналіз та візуалізація статистичних даних (violinplot, swarmplot)

Задача регресії

• Підготовка даних для регресії
• Розбиття даних на навчальну та тестову вибірки
• Створення моделі лінійної регресії
• Навчання моделі на навчальних даних
• Оцінка точності моделі
• Візуалізація результатів регресії

Задача класифікації

• Підготовка даних для класифікації
• Розбиття даних на навчальну та тестову вибірки
• Створення моделі класифікації (Logistic Regression, Decision Tree)
• Навчання моделі на навчальних даних
• Оцінка точності моделі (accuracy, precision, recall)
• Візуалізація результатів класифікації

Кластеризація

• Підготовка даних для кластеризації
• Вибір методу кластеризації (K-Means, Agglomerative Clustering та ін.)
• Створення та моделі кластеризації
• Візуалізація кластерів
• Оцінка якості кластеризації (silhouette score)
• Аналіз отриманих кластерів та інтерпретація результатів

Аномалії

• Підготовка даних для пошуку аномалій
• Вибір методу виявлення аномалій (Isolation Forest, Local Outlier Factor)
• Створення та навчання моделі для пошуку аномалій
• Прогнозування аномалій у даних
• Оцінка точності виявлення аномалій
• Візуалізація та інтерпретація виявлених аномалій

SQL

• Вступ до SQL та основи реляційних баз даних
• Виконання простих запитів SELECT
• Фільтрація даних за допомогою WHERE
• Сортування результатів за допомогою ORDER BY
• Агрегація даних (SUM, AVG, COUNT, MIN, MAX)
• Групування даних за допомогою GROUP BY
• З'єднання таблиць (JOIN)

Розбір домашніх проєктів

• Демонстрація кращих рішень учасників
• Демонстрація типових рішень викладача
• Підсумки курсу

Чого навчаться учасники

• Налаштовувати робоче середовище та ефективно використовувати бібліотеки Python для аналізу даних
• Обробляти, агрегувати та візуалізувати дані за допомогою Pandas та Numpy
• Створювати візуалізації за допомогою Matplotlib та Seaborn
• Опанувати методи регресії, класифікації та кластеризації для машинного навчання
• Працювати з SQL для виконання запитів і аналізу даних
• Виявляти та інтерпретувати аномалії в даних
• Розробляти рішення для реальних проєктів і презентувати їх результати

Попередні вимоги

• Базові знання Python (основні конструкції, цикли, функції)
• Уявлення про дані та базові статистичні поняття
• Досвід роботи з таблицями (наприклад, у Excel) буде перевагою, але не є обов'язковим

Особливості курсу

• Допомога ментора
• Практика
• Фінальний проєкт
• Сертифікат про проходження курсу