Логотип МФТИ — Московский физико-технический институт
Вернуться к программе курса

Информация о содержании обучения

Модуль 1. Базовые конструкции языка Python

Основные темы

  • О курсе «Анализ данных». Краткий экскурс в область анализа данных. Руководство по установке Python IDE и JupyterLab. Базовые понятия кода, интерпретатора, программы.
  • Основы работы с переменными и базовыми типами данных, целочисленная арифметика в Python. Основные логические операторы и элементы математической логики.
  • Условный оператор. Устройство каскадного условного оператора и вложенных условий. Работа с циклами for и while. Организация разветвлений в циклах.
  • Устройство строк в Python. Индексация, конкатенация строк. Использование специальных методов для работы со строками.
  • Устройство списков в Python. Использование специальных методов для работы со списками. Применение списочных выражений. Особый тип данных — кортежи.
  • О структуре кода в Python. Установка и импорт модулей. Стандартные модули math, random, datetime.
  • Персональные и обезличенные данные. Основы кибербезопасности. Авторское право в ИТ. Этика использования ИИ, ограничения ИИ-инструментов.

Примеры практических заданий

  • написать первую программу с вводом данных и точным форматированием вывода;
  • разобрать условие с числами, выбрать тип данных и вывести результат без лишнего текста;
  • реализовать ветвление и цикл при обработке списков или строк.

Модуль 2. Работа с функциями в Python

Основные темы

  • Устройство функций в Python. Понятие области видимости переменных. Документирующая строка.
  • Создание лямбда-функций в Python. Сортировка данных с параметром key. Применение функции высшего порядка map.
  • Основные понятия ООП. Принципы ООП, на которых строится код программы. Преимущества и недостатки ООП.
  • Работа с типом данных «множество» в Python. Операции над одним и двумя множествами.
  • Использование словарей в Python. Методы работы со словарями, сортировка словаря.
  • Структура файловой системы. Работа с файлами в Python: чтение и запись данных. Работа с каталогами. Понятие обработки исключений.

Примеры практических заданий

  • оформить повторяющийся расчёт как функцию с параметрами и возвращаемым значением;
  • обработать список, множество или словарь и объяснить выбор структуры данных;
  • обработать файл в текстовом формате.

Модуль 3. Математическое моделирование с помощью библиотеки NumPy

Основные темы

  • Работа с библиотекой NumPy. Создание массивов разных типов данных. Работа с массивами: индексация, срезы, сортировка.
  • Вычисление статистики с помощью NumPy. Основные статистические метрики: среднее, медиана, мода, стандартное отклонение, процентиль.
  • Работа с библиотекой Matplotlib. Обзор основных типов графиков, доступных в библиотеке.
  • Применение ИИ-инструментов для решения задач математического моделирования.

Примеры практических заданий

  • посчитать основные статистические величины для массива данных;
  • построить график или диаграмму по набору данных;
  • использовать ИИ-инструменты для программирования математических моделей.

Модуль 4. Анализ данных с помощью библиотеки Pandas

Основные темы

  • О библиотеке Pandas. Методы работы с типом данных Pandas DataFrame. Изменение датафреймов.
  • Продвинутая работа с Pandas: расчёт статистики, загрузка данных из файлов CSV и Excel, построение диаграмм. Краткое руководство по поиску готовых датасетов.
  • Методы выявления связей в данных: визуализация взаимосвязей, корреляция, линейная регрессия.
  • Агрегирование и группировка больших данных. Трансформация данных и построение сводных таблиц.
  • Технология виджетов в Jupyter-ноутбуках. Пример создания итогового проекта с элементами интерактива.
  • Проблемы, возникающие при использовании ИИ. Применение ИИ-инструментов для решения задач анализа данных.

Примеры практических заданий

  • провести очистку датасета;
  • построить сводную таблицу;
  • использовать ИИ-инструменты для сложных манипуляций с данными.

Тематика итоговых и комплексных работ

Итоговый проект связан с решением прикладной задачи на каком-либо датасете, имитирующей полный цикл анализа данных: сбор/очистка данных, вычисление метрик, визуализация, подведение итогов, создание презентации и подготовка текста для выступления.

  • Анализ погоды (температура или УФ-излучение)
  • Анализ продаж видеоигр
  • Анализ результатов реальных вычислительных экспериментов
Назад