Математика и Python для анализа данных
内容描述: Курс направлен на развитие навыков и умений применения методов математического анализа, линейной алгебры, методов оптимизации, теории вероятностей для задач анализа данных, а также на получение базовых навыков работы со специальными библиотеками анализа данных языка Python.
贷款数: 6
Пререквизиты:
- Информационно-коммуникационные технологии
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | |
| *LaboratoryWork(zh-CN)* | 30 |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 90 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* |
零件: Вузовский компонент
循环次数: Профилирующие дисциплины
Цель
- Приобрести теоретические и практические навыки применения методов математического анализа, линейной алгебры, методов оптимизации, теории вероятностей для задач анализа данных, а также на получение базовых навыков работы со специальными библиотеками анализа данных языка Python.
Задача
- 1. понимание и применение основных математических понятий, используемыми для анализа данных 2. применение на практике методов линейной алгебры, математического анализа, оптимизации и теории вероятностей 3. приобретение практического навыка работы с основными библиотека, которые применяются на практике для анализа данных: NumPy, SciPy, Matplotlib и Pandas 4. получение базовых практических навыков в анализе данных
Результат обучения: знание и понимание
- 1 знание основных математических понятий, используемыми для анализа данных 2. знание библиотек NumPy, SciPy, Matplotlib и Pandas
Результат обучения: применение знаний и пониманий
- 1. применение основных математических понятий, используемыми для анализа данных 2. применение на практике методов линейной алгебры, математического анализа, оптимизации и теории вероятностей 3. приобретение практического навыка работы с основными библиотека анализа данных 4. получение базовых практических навыков в анализе данных на языке Python
Результат обучения: формирование суждений
- 1. формирование суждения о математических методах используемые для анализа данных 2. формирование суждения о методах линейной алгебры, математического анализа, оптимизации и теории вероятностей 3. формирование суждения о практическом применение библиотек NumPy, SciPy, Matplotlib и Pandas для анализа данных
Результат обучения: коммуникативные способности
- 1. развитие и совершенствование коммуникативных способностей студентов; 2. развитие навыков участия в конструктивном диалоге о роли и значимости систем искусственного интеллекта в современном мире, различных направлениях в системах искусственного интеллекта
Результат обучения: навыки обучения или способности к учебе
- 1. формирование умений в области систем искусственного интеллекта для реализации научно-исследовательских работ 2. выработка навыков применения методов линейной алгебры, математического анализа, оптимизации и теории вероятностей 3. способность содействовать, в рамках академических и профессиональных контекстов, технологическому, социальному или культурному развитию в интересах формирования общества, основанного на знаниях
*TeachingMethods(zh-CN)*
1. лекции и онлайн-лекции, лабораторные занятия с применением слайдов и других средств мультимедиа.
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Лабораторная работа 1 | 0-100 |
| Лабораторная работа 2 | ||
| Лабораторная работа 3 | ||
| Лабораторная работа 4 | ||
| Рубежный тест 1 | ||
| 2 *Rating(zh-CN)* | Лабораторная работа 5 | 0-100 |
| Лабораторная работа 6 | ||
| Лабораторная работа 7 | ||
| Лабораторная работа 8 | ||
| Рубежный тест 2 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Введение в Python
- IPython: интерактивные вычисления и среда разработки
- Основы NumPy: массивы и векторные вычисления
- Структуры данных pandas
- Чтение и запись данных, форматы файлов
- Переформатирование данных: очистка, преобразование, слияние, изменение формы
- Построение графиков и визуализация
- Агрегирование данных и групповые операции
- Временные ряды
- Финансовые и экономические приложения
- Дополнительные сведения о библиотеке NumPy
Основная литература
- Маккинли. Уэс Python и анализ данных / Уэс Маккинли ; пер. А. А. Слинкин. - Москва : ДМК Пресс, 2015. - 481 с. : ил.
- Максимова, О. Д. Математический анализ в примерах и задачах. Предел функции : учебное пособие для вузов / О. Д. Максимова. — 2-е изд., стер. — Москва : Издательство Юрайт, 2019. — 200 с.
- Марчук, Г.И. Геронтология in silico. Становление новой дисциплины. Математические модели, анализ данных и вычислительные эксперименты / Г.И. Марчук. - М.: Бином. Лаборатория знаний, 2017. - 929 c.
- Златопольский Д.М. Основы программирования на языке Python. – М.: ДМК Пресс, 2017. – 284 с.
- Мэтиз, Э. Изучаем PYTHON.Программирование игр, визуализация данных, веб-приложения / Э. Мэтиз. - СПб.: Питер, 2017. - 496 c.
- Федоров, Д. Ю. Программирование на языке высокого уровня Python : учебное пособие для прикладного бакалавриата / Д. Ю. Федоров. – 2-е изд., перераб. и доп. – Москва : Издательство Юрайт, 2019. – 161 с. – (Бакалавр. Прикладной курс).
Дополнительная литература
- Информационные технологии и вычислительные системы: Обработка информации и анализ данных. Программная инженерия. Математическое моделирование. Прикладные аспекты информатики / Под ред. С.В. Емельянова. - М.: Ленанд, 2015. - 104 c.
- Гашев С. Н. Математические методы в биологии: анализ биологических данных в системе Statistica. — М.: Юрайт. 2020. 208 с.
- Халафян А. А., Боровиков В. П., Калайдина Г. В. Теория вероятностей, математическая статистика и анализ данных. Основы теории и практика на компьютере. Statistica. Excel. Более 150 примеров решения задач. Учебное пособие. — М.: Ленанд. 2017. 320 с.
- Миркин Б. Г. Введение в анализ данных. — М.: Юрайт. 2020. 175 с.
