Математика и Python для анализа данных

Beschreibung: 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.

Betrag der Credits: 6

Пререквизиты:

• Информационно-коммуникационные технологии

Arbeitsintensität der Disziplin:

Komponente: Вузовский компонент

Zyklus: 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

Lehrmethoden

1. лекции и онлайн-лекции, лабораторные занятия с применением слайдов и других средств мультимедиа.

Bewertung des Wissens der Studierenden

Die Bewertungspolitik der Lernergebnisse nach Arbeitstyp

Bewertungsbogen

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:

 

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:

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.