Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Кто читает:: Департамент бизнес-информатики и операционного менеджмента

Статус:: Курс обязательный

Когда читается:: 2-й курс, 2, 3 модуль

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Python для анализа данных» предоставляет комплексное практическое введение в использование языка Python для решения реальных аналитических задач. Программа курса охватывает полный цикл работы с данными: от их сбора и очистки до анализа, визуализации и построения прогнозных моделей. Особое внимание уделяется освоению ключевых библиотек Python для Data Science: Pandas для обработки данных, NumPy для математических вычислений, Matplotlib и Seaborn для визуализации, Scikit-learn для машинного обучения. Итогом обучения является защита собственного аналитического проекта, в котором студенты применяют полученные навыки на практике. Курс не содержит отдельных лекций; теоретический материал интегрирован в практические задания и проектную работу.

Цель освоения дисциплины

Сформировать фундаментальные навыки программирования на Python: освоить базовый синтаксис, структуры данных, функции и работу с файлами, необходимые для автоматизации аналитических процессов.
Освоить ключевые инструменты анализа данных: научиться применять библиотеки Pandas и NumPy для эффективной обработки, очистки и разведочного анализа данных (EDA).
Научиться визуализировать данные и результаты анализа: использовать библиотеки Matplotlib и Seaborn для создания наглядных статических и интерактивных графиков и дашбордов.
Приобрести компетенции в области прикладной статистики и машинного обучения: понимать и применять на практике методы описательной статистики, проверки гипотез, линейной регрессии и кластеризации для извлечения инсайтов и построения прогнозов.
Выполнить полный цикл аналитического проекта: получить опыт самостоятельного проведения анализа — от постановки задачи и работы с данными до интерпретации результатов и презентации выводов.

Планируемые результаты обучения

Студент способен установить и настроить рабочее окружение для анализа данных.
Студент способен найти данные для своего исследования в открытых источниках.
Студент способен применять базовые структуры данных и синтаксис Python для обработки информации.
Студент способен формулировать статистические гипотезы, интерпретировать результаты A/B-тестов, знает способы проверки гипотез.
Студент способен структурировать код с помощью функций и загружать данные из файлов.
Студент способен выполнять операции с данными с использованием библиотеки NumPy
Студент способен проводить разведочный анализ данных (EDA), включая обработку пропусков и выбросов.
Студент способен выполнять операции с данными с использованием библиотеки Pandas (фильтрация, группировка, агрегация, объединение таблиц).
Студент способен создавать статические и интерактивные визуализации с помощью Matplotlib и Seaborn.
Студент способен подключаться к базам данных с помощью Python, выполнять базовые SQL-запросы для извлечения данных.
Студент способен строить и оценивать простые модели машинного обучения для задач регрессии и кластеризации.
Студент способен презентовать результаты анализа данных и вести научную дискуссию со слушателями.

Содержание учебной дисциплины

Введение в профессию аналитика данных. Правовые основы обработки данных
Источники данных и измерительные шкалы
Базовый синтаксис и типы данных Python
Функции и работа с файлами в Python
Базовые основы статистики. Библиотека SciPy
Векторные операции. Библиотека NumPy
Разведочный анализ данных (EDA) с Pandas
Продвинутый Pandas для анализа данных
Визуализация данных с Matplotlib, Seaborn
Базы данных и SQL операции с использованием Python
Введение в машинное обучение для анализа данных
Защита итоговых проектов

Элементы контроля

Проект
Индивидуальный проект является частью академических требований курса, в рамках которого студенты работают с обширными базами данных для получения навыка проведения полного цикла анализа по материалам курса.
Домашняя работа
Домашнее задание по материалах практических занятий для самостоятельного выполнения.
Задачи на семинарах
Задачи, выполняемые в рамках каждого практического занятия по материалам курса.

Промежуточная аттестация

2025/2026 3rd module
0.25 * Домашняя работа + 0.5 * Проект + 0.25 * Задачи на семинарах

Список литературы

Авторы

Седов Владислав Васильевич
Кива Павел Сергеевич

Бакалаврская программа «Бизнес-информатика»

Контакты

Python для анализа данных

Программа дисциплины