Math and Python for Data Analysis
Description: The course is aimed at developing the skills and abilities to apply the methods of mathematical analysis, linear algebra, optimization methods, probability theory for data analysis problems, as well as to gain basic skills in working with special Python data analysis libraries.
Amount of credits: 6
Пререквизиты:
- Information and communication technologies
Course Workload:
| Types of classes | hours |
|---|---|
| Lectures | 30 |
| Practical works | |
| Laboratory works | 30 |
| SAWTG (Student Autonomous Work under Teacher Guidance) | 30 |
| SAW (Student autonomous work) | 90 |
| Form of final control | Exam |
| Final assessment method |
Component: University component
Cycle: Profiling disciplines
Goal
- Acquire theoretical and practical skills in applying the methods of mathematical analysis, linear algebra, optimization methods, probability theory for data analysis problems, as well as to gain basic skills in working with special Python data analysis libraries.
Objective
- 1. Understanding and applying the basic mathematical concepts used for data analysis 2. application in practice of the methods of linear algebra, mathematical analysis, optimization and probability theory 3. Acquisition of practical skills in working with the main libraries that are used in practice for data analysis: NumPy, SciPy, Matplotlib and Pandas 4. obtaining basic practical skills in data analysis
Learning outcome: knowledge and understanding
- 1 knowledge of basic mathematical concepts used for data analysis 2. knowledge of NumPy, SciPy, Matplotlib and Pandas libraries
Learning outcome: applying knowledge and understanding
- 1. application of basic mathematical concepts used for data analysis 2. application in practice of the methods of linear algebra, mathematical analysis, optimization and probability theory 3. Acquisition of practical skills in working with the main data analysis library 4. Getting basic practical skills in data analysis in Python
Learning outcome: formation of judgments
- 1. forming judgments about the mathematical methods used for data analysis 2. formation of judgments about the methods of linear algebra, mathematical analysis, optimization and probability theory 3. Formation of a judgment on the practical application of the NumPy, SciPy, Matplotlib and Pandas libraries for data analysis
Learning outcome: communicative abilities
- 1. development and improvement of communicative abilities of students; 2. development of skills to participate in a constructive dialogue about the role and importance of artificial intelligence systems in the modern world, various areas in artificial intelligence systems
Learning outcome: learning skills or learning abilities
- 1. formation of skills in the field of artificial intelligence systems for the implementation of research work 2. development of skills in applying the methods of linear algebra, mathematical analysis, optimization and probability theory 3. the ability to contribute, within academic and professional contexts, to technological, social or cultural development in the interest of building a knowledge society
Teaching methods
1. lectures and online lectures, laboratory classes using slides and other multimedia tools.
Assessment of the student's knowledge
Teacher oversees various tasks related to ongoing assessment and determines students' current performance twice during each academic period. Ratings 1 and 2 are formulated based on the outcomes of this ongoing assessment. The student's learning achievements are assessed using a 100-point scale, and the final grades P1 and P2 are calculated as the average of their ongoing performance evaluations. The teacher evaluates the student's work throughout the academic period in alignment with the assignment submission schedule for the discipline. The assessment system may incorporate a mix of written and oral, group and individual formats.
| Period | Type of task | Total |
|---|---|---|
| 1 rating | Практическая работа 1 | 0-100 |
| Практическая работа 2 | ||
| Практическая работа 3 | ||
| Практическая работа 4 | ||
| Практическая работа 5 | ||
| Практическая работа 6 | ||
| Практическая работа 7 | ||
| 2 rating | Практическая работа 8 | 0-100 |
| Практическая работа 9 | ||
| Практическая работа 10 | ||
| Практическая работа 11 | ||
| Практическая работа 12 | ||
| Total control | Exam | 0-100 |
The evaluating policy of learning outcomes by work type
| Type of task | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | Good | Satisfactory | Unsatisfactory | |
| Собеседование по контрольным вопросам | демонстрирует системные теоретические знания, владеет терминологией, логично и последовательно объясняет сущность явлений и процессов, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение монологической речью и способность быстро реагировать на уточняющие вопросы | демонстрирует прочные теоретические знания, владеет терминологией, логично и последовательно объясняет сущность, явлений и процессов, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение монологической речью, но при этом делает несущественные ошибки, которые исправляет самостоятельно или при незначительной коррекции преподавателем | демонстрирует неглубокие теоретические знания, проявляет слабо сформированные навыки анализа явлений и процессов, недостаточное умение делать аргументированные выводы и приводить примеры, показывает недостаточно свободное владение монологической речью, терминологией, логичностью и последовательностью изложения, делает ошибки которые может исправить только при коррекции преподавателем. | демонстрирует незнание теоретических основ предмета, несформированные навыки анализа явлений и процессов, не умеет делать аргументированные выводы и приводить примеры, показывает слабое владение монологической речью, не владеет терминологией, проявляет отсутствие логичности и последовательности изложения, делает ошибки, которые не может исправить даже при коррекции преподавателем, отказывается отвечать на занятии |
| Работа на практических занятиях | выполнил лабораторную работу в полном объеме с соблюдением необходимой последовательности действий; в ответе правильно и аккуратно выполняет все записи, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. | выполнил требования к оценке «5», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям к ответу на 5, но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна ошибка или не более двух недочетов, обучающийся может их исправить самостоятельно или с небольшой помощью преподавателя. | выполнил работу не полностью, но не менее 50% объема практической работы, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущено не более одной грубой ошибки и двух недочетов. | выполнил работу не полностью или объем выполненной части работ не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует не владение основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки 3 или не может ответить ни на один из поставленных вопросов. |
Evaluation form
The student's final grade in the course is calculated on a 100 point grading scale, it includes:
- 40% of the examination result;
- 60% of current control result.
The final grade is calculated by the formula:
| FG = 0,6 | MT1+MT2 | +0,4E |
| 2 |
Where Midterm 1, Midterm 2are digital equivalents of the grades of Midterm 1 and 2;
E is a digital equivalent of the exam grade.
Final alphabetical grade and its equivalent in points:
The letter grading system for students' academic achievements, corresponding to the numerical equivalent on a four-point scale:
| Alphabetical grade | Numerical value | Points (%) | Traditional grade |
|---|---|---|---|
| A | 4.0 | 95-100 | Excellent |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Good |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Satisfactory |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Unsatisfactory |
| F | 0 | 0-24 |
Topics of lectures
- Mathematics and Python for Data Analysis
- Python programming
- Fundamentals of Mathematical Analysis
- Introduction to linear algebra
- Matrices and basic matrix operations
- Functions of many variables
- Optimization methods
- Singular value decomposition of matrices
- Probability and random variables
- Statistics
- Matplotlib library
- Basics of working with the pyplot module
- Setting up chart elements
- Data visualization
- Plotting 3D graphs
Key reading
- 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).
- 004 Z 51 Zelle John Python Programming an Introduction to Computer Science : учебник / John Zelle. - Third Edition, [б. м.], 2017. - 524 p. - Текст : непосредственный. Экземпляры: всего:1 - ЧЗ_ИНяз(1) ГРНТИ 20
- 004.4 Е 729 Ермеков, Нурмухамбет Турлынович. Введение в программирование на языке Python : учебник / Н. Т. Ермеков, Б. Е. Таржибаева. - Алматы : ТОО "Лантар Трейд", 2020. - 202 с. - Текст : непосредственный. Экземпляры: всего:5 - КХ(1), ЧЗ(1), АУЛ(3) ГРНТИ 20
- 004.432 М 474 Меликов П. И. Изучаем основы Python. Практический курс для дата-аналитиков : научное издание / П. И. Меликов. - Алматы : EDP Hub (Индипи Хаб), 2023. - 480 с. - Текст : непосредственный. Экземпляры: всего:1 - КХ(1) ГРНТИ 20
Further reading
- 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.
