Статистический анализ в Python

Бакалавриат 2020/2021

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Прикладная математика)

Направление: 01.03.04. Прикладная математика

Кто читает: Департамент прикладной математики

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 3-й курс, 3 модуль

Формат изучения: без онлайн-курса

Преподаватели: Поляков Константин Львович

Язык: русский

Кредиты: 4

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

Курс "Статистический анализ в Python" ориентирован на студентов, образование которых связано с анализом данных и/или они планируют использовать анализ данных в своей будущей профессиональной деятельности. Свободно распространяемая платформа CPython и различные проекты, основанные на ней (библиотеки) предоставляют богатые возможности для анализа данных без увеличения стоимости образования и/или коммерческих проектов. В рамках курса студенты познакомяться с вычислительными возможностями платформы и наиболее значимых библиотек, приобретут навыки самостоятельного использования языка Python и различных прикладных библиотек для проведения статистчиеского анализа данных и создания проблемно ориентированных приложений.

Цель освоения дисциплины

Формирование у студентов навыков самостоятельной реализации элементарных проектов, связанных с управлением данными— организацией сбора и хранения данных, выбором данных по определенным критериям, содержащим несколько условий, модификацией данных, обменом данными между различными приложениями, интеграцией данных, полученных из различных источников.
Формирование у студентов навыков самостоятельной реализации элементарных проектов, связанных с элементарным анализом данных — числовым анализом: подсчетом описательных числовых статистик адекватных типу данных, графическим анализом: визуализацией статистических свойств данных.
Формирование у студентов навыков самостоятельной реализации элементарных проектов, связанных со статистическим анализом данных.

Планируемые результаты обучения

Знать грамматику языка Python 3 (текущая версия) и стандарты разработки приложений на языке Python 3 (текущая версия).
Знать основные функции системной библиотеки Python 3 (текущая версия).
Знать структуру (основные разделы) библиотеки NumPy(текущая версия).
Уметь использовать библиотеку NumPy (текущая версия) для организации хранения данных и управления данными.
Уметь использовать библиотеку NumPy (текущая версия) для организации предварительного анализа данных.
Знать структуру (основные разделы) библиотеки matplotlib (текущая версия).
Учесть использовать библиотеку matplotlib для графического анализа данных
Знать структуру (основные разделы) библиотеки Pandas(текущая версия).

Содержание учебной дисциплины

Основы языка Python
Грамматика языка Pyhton. Структуры для хранения данных, управляющие конструкции. Создание функций и классов.
Аналитические возможности библиотеки NumPy
Функционал библиотеки NumPy, связанный с реализацией математических вычислений, в частности, статистического анализа и генерацией псевдо случайных величин.
Использование библиотеки Pandas для хранения и анализа данных
Класс pandas.Series. Атрибуты и методы. Класс pandas.DataFrame. Атрибуты и методы. Методы объединения и группировки данных. Визуализация данных в pandas.
Основы визуализации данных в библиотеке matplotlib
Основные элементы и параметры визуализаций в matplotlib. Использование matplotlib.pyplot. Объектно-ориентированный подход к созданию визуализаций
Использованеи библиотеки Statsmodels для статистического анализа данных
Statistics stats, Nonparametric Methods, Empirical Likelihood, Distributions, Graphics

Элементы контроля

Задание для самостоятельной работы
В отдельных случаях, при наличии у студента знаний в области разработки приложений на языке Python и по согласованию с преподавателем, студент может выполнить проект по индивидуальному техническому заданию повышенной сложности. В этом случае оценка за курс (промежуточная аттестация) проставляется по результатам оценивания его проекта.
Работа на семинарах
Текущая оценка TO=10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе

Промежуточная аттестация

Промежуточная аттестация (3 модуль)
0.6 * Задание для самостоятельной работы + 0.4 * Работа на семинарах

Программа дисциплины