Математика и Python для анализа данных

Бакалавриат 2020/2021

Статус: Курс по выбору (Филология)

Направление: 45.03.01. Филология

Кто читает: Департамент филологии

Где читается: Санкт-Петербургская школа гуманитарных наук и искусств

Когда читается: 2-й курс, 4 модуль

Формат изучения: с онлайн-курсом

Преподаватели: Климов Александр Антонович

Язык: русский

Кредиты: 4

Контактные часы: 2

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Для успешного применения методов анализа данных нужно уметь программировать. Фактическим стандартом для этого в наши дни является язык Python. В данном курсе мы предлагаем познакомиться с его синтаксисом, а также научиться работать с его основными библиотеками, полезными для анализа данных, например, NumPy, SciPy, Matplotlib и Pandas.

Цель освоения дисциплины

Ознакомление студентов с основами работы с языком Python в анализе данных. Расширение теоретической и практической подготовки студента в области математического анализа, линейной алгебры, методов оптимизации, теории вероятностей.

Планируемые результаты обучения

Студент понимает особенности языка Python для анализа данных. Знает, что такое Циклы, функции, генераторы, list comprehension. понимает, как происходит чтение различных данных.
Студент ориентируется в Python-библиотеках, содержащих большое количество полезных инструментов: от быстрых операций с многомерными массивами до визуализации и реализации различных математических методов. Владеет основами линейной алгебры — основного математического аппарата для работы с данными.
Студент способен с помощью методов оптимизации находить наилучшие значения параметров системы, чтобы минимизировать затраты или максимизировать точность предсказаний, а также имеет представление о с матричными разложениями, которые используются при построении регрессионных моделей, для уменьшения размерности данных, в рекомендательных системах и в анализе текстов.
Студент освоил базовые концепции теории вероятностей и статистики, которые необходимы для понимания механизма работы практически всех методов анализа данных. Имеет представление о самых популярных распределениях, знает, какие явления ими описываются и какими статистиками оцениваются их параметры.

Содержание учебной дисциплины

Введение
Python — один из главных инструментов специалиста в науке о данных. Циклы, функции, генераторы, list comprehension. Функции и их свойства. Предел и производная. Геометрический смысл производной.
Библиотеки Python и линейная алгебра
Pandas. Data Frame. NumPy, SciPy и Matplotlib. Решение оптимизационных задач в SciPy. Системы линейных уравнений. Матричные операции. Ранг и определитель
Оптимизация и матричные разложения
Частные производные и градиент. Касательная плоскость и линейное приближение. Оптимизация негладких функций. Метод имитации отжига. Генетические алгоритмы и дифференциальная эволюция. Нелдер-Мид. Приближение матрицей меньшего ранга.
Случайность
Случайность в теории вероятностей и статистике.Свойства вероятности. Условная вероятность. Оценка распределения по выборке. Важные характеристики распределений. Центральная предельная теорема. Доверительные интервалы.