Программирование на Python, Numpy для Data Science, часть 3

Библиотека NumPy (сокращение от Numerical Python — «числовой Python») обеспечивает эффективный интерфейс для хранения и работы с плотными буферами данных. Массивы библиотеки NumPy похожи на встроенный тип данных языка Python list, но обеспечивают гораздо более эффективное хранение и операции с данными при росте размера массивов. Массивы библиотеки NumPy формируют ядро практически всей экосистемы утилит для исследования данных Python.

На курсе слушатели познакомятся с фрэймворком Python: Numpy — фундаментальным пакетом для научных вычислений. А также с визуализацией данных с помощью Matplotlib.

Описание курса

Целевая аудитория

Начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science.

Расписание открытых форматов курса

Дистанционный формат — 49 500 ₽.

Очный формат — 49 500 ₽.

Стоимость обучения одного слушателя

В результате освоения курса вы:

определять массивы NumPy;
выполнять вычисления над массивами NumPy;
агрегировать значения из массива;
работать с булевой логикой;
работать с индексацией массива;
сортировать массивы;
сохранять и загружать объекты NumPy;
визуализировать массивы с помощью Matplotlib

какие атрибуты есть у массивов NumPy;
как использовать продвинутые возможности универсальных функций;
как провести агрегирование значений массива NumPy;
как применить булевы массивы как маски;
как разбить данные на интервалы;
как применить метод n-ближайших соседей для сортировки массива;
как создать структурированные массивы;
как использовать библиотеки Matplotlib, Seaborn для отображения графических данных

Научитесь

Узнаете

Основная информация

05 февраля 2024
18 марта 2024
13 мая 2024
07 октября 2024
16 декабря 2024

пн–чт 10:00–17:00

49 500 руб.

м. Аэропорт,
Ленинградский проспект 68/24

Верхотуров Марк Валерьевич
Беляев Александр Владимирович

Порядок записи на курс

Консультация

Выбор курса

Заключение договора

Оплата обучения.

Подробная программа курса

1 Введение в массивы библиотеки NumPy

1.1 Атрибуты массивов библиотеки NumPy
1.2 Индексация массива: доступ к отдельным элементам
1.3 Срезы массивов: доступ к подмассивам
1.4 Изменение формы массивов
1.5 Слияние и разбиение массивов

2 Выполнение вычислений над массивами библиотеки NumPy: универсальные функции

2.1 Медлительность циклов.
2.2 Введение в универсальные функции.
2.3 Обзор универсальных функций библиотеки NumPy.

2.3.1 Арифметические функции над массивами
2.3.2 Абсолютное значение
2.3.3 Тригонометрические функции
2.3.4 Показательные функции и логарифмы
2.3.5 Линейная алгебра

2.4 Генерация псевдослучайных чисел
2.5 Продвинутые возможности универсальных функций.
2.6 Универсальные функции: дальнейшая информация

3 Агрегирование: минимум, максимум и все, что посередине

3.1 Суммирование значений из массива
3.2 Минимум и максимум
3.3 Среднее

4 Операции над массивами. Транслирование

4.1 Введение в транслирование
4.2 Правила транслирования
4.3 Транслирование на практике

5 Сравнения, маски и булева логика

5.1 Операторы сравнения как универсальные функции
5.2 Работа с булевыми массивами
5.3 Булевы массивы как маски

6 «Прихотливая» индексация

6.1 Исследуем возможности «прихотливой» индексации
6.2 Комбинированная индексация
6.3 Пример: выборка случайных точек
6.4 Изменение значений с помощью прихотливой индексации
6.5 Пример: разбиение данных на интервалы

7 Сортировка массивов

7.1 Быстрая сортировка в библиотеке NumPy: функции np.sort и np.argsort
7.2 Частичные сортировки: секционирование
7.3 Пример: K ближайших соседей

8 Структурированные данные: структурированные массивы библиотеки NumPy

8.1 Создание структурированных массивов
8.2 Более продвинутые типы данных
8.3 Массивы записей: структурированные массивы с дополнительными возможностями
8.4 Переход к Pandas

9 Сохранить и загрузить объекты NumPy

9.1 Сохранить и загрузить объекты NumPy
9.2 Импорт и экспорт CSV

10 Визуализация массивов с помощью Matplotlib

10.1 О библиотеке Matplotlib
10.2 Простые линейные графики
10.3 Простые диаграммы рассеяния
10.4 Визуализация погрешностей
10.5 Графики плотности и контурные графики
10.6 Гистограммы, разбиения по интервалам и плотность
10.7 Множественные субграфики
10.8 Таблицы стилей Matplotlib.

Возможные форматы обучения и размеры групп

очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 15 слушателей).

Документы об окончании

Удостоверение о повышении квалификации

Требуемый уровень предварительной подготовки

Знание основ синтаксиса языка Python или прохождение курсов «Программирование на Python, части 1» и «Программирование на Python, часть 2»

Руководитель IT проектов, Разработчик Python, Data Scientist, ML-engineer

Разработка на Python
Сбор и анализ данных Преобразование "сырых" данных в полезную информацию для бизнеса
Создание и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей
Помощь бизнесу в нахождении скрытых закономерностей, прогнозировании развития событий и оптимизации ключевых бизнес-процессов

Консалтинг
Коучинг

Специализация

Должность

Дополнительные услуги

Ведёт 13 курсов в ЦЕСИНКОМ

Разработчик информационных систем, системный аналитик, аналитик данных

Разработка на Python
Машинное обучение
Математическая оптимизация

Консалтинг

Специализация

Должность

Дополнительные услуги

Ведёт 19 курсов в ЦЕСИНКОМ

Разработка курса или траектории обучения под вашу задачу

Центр готов взять на себя разработку курсов и траекторий обучения под уже сформированную модель компетенций или просто под список знаний и навыков, которые нужно освоить специалистам организации.

Рекомендуемые курсы

Список курсов, которые дополняют данный курс

Список категорий каталога, в которые включён курс

Траектории, в которые входит данный курс

Список курсов, требующихся для прохождения данного курса

Не требуется