Python для анализа данных

2025/2026

Учебный год

RUS

Обучение ведется на русском языке

4

Кредиты

Кто читает:

Департамент бизнес-информатики и операционного менеджмента

Статус:

Курс обязательный

Когда читается:

2-й курс, 2, 3 модуль

Преподаватель

Кива Павел Сергеевич

Программа дисциплины

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 и источники данных
• Базовый синтаксис Python
• Функции и работа с файлами в Python
• Базовые основы статистики
• Библиотека NumPy
• Разведочный анализ данных (EDA) с Pandas
• Продвинутый Pandas для анализа данных
• Визуализация данных
• 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 + 0.25 * Задачи на семинарах + 0.5 * Проект

Список литературы

Рекомендуемая основная литература

• Python и анализ данных : первичная обработка данных с применением pandas, NumPy и Jupiter, Маккинни, У., 2023
• SQL для анализа данных: Пер. с англ. - 978-5-9775-0958-9 - Танимура К. - 2024 - Санкт-Петербург: БХВ-Петербург - https://ibooks.ru/bookshelf/396435 - 396435 - iBOOKS
• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018

Рекомендуемая дополнительная литература

• Изучаем программирование на Python, Бэрри, П., 2017

Авторы

• Седов Владислав Васильевич
• Кива Павел Сергеевич