Datavisualisering og minedrift i Python - kursus 21.000 RUB. fra Russian Economic University opkaldt efter. G.V. Plekhanov, træning 5 uger, dato 27. marts 2023.

I løbet af uddannelsen vil det grundlæggende i dataanalyse og programmering i Python-miljøet, metoder og midler til indtastning og primær databehandling blive gennemgået. statistiske midler til grafisk præsentation af data i intelligent analyse og modellering, udførelse kontrolleret og ukontrolleret klassifikation; metoder til associativ, faktor- og klyngemodellering; komponentanalyse og nedbrydning af højfrekvente dynamikserier, neurale netværksmodellering og det grundlæggende i deep learning.

Vælg et træningsformat, der er praktisk for dig - på fuld tid (i centrum af Moskva, i de historiske bygninger på det russiske universitet for økonomi opkaldt efter. G.V. Plekhanov) eller eksternt (fra hvor som helst i verden).

Fordele ved at studere under programmet

• Evnen til at vælge et praktisk læringsformat - online eller ansigt til ansigt på det russiske universitet for økonomi. G.V. Plekhanov.
• Mulighed for at deltage i mesterklasser og specialiserede begivenheder på det russiske økonomiske universitet. G.V. Plekhanov og hans partnere.
instagram viewer
• Tilgængelighed af rabatsystem til erhvervskunder.
• Konkurrencefordel på arbejdsmarkedet med certifikat fra REU. G.V. Plekhanov, det førende økonomiske universitet i Rusland.
• En fleksibel lektionsplan giver dig mulighed for at studere selv under hensyntagen til forretningsrejser og travlt arbejde.

Sådan kommer du videre

Krav til studerende

Personer, der har eller er i gang med en videregående/gymnasial erhvervsuddannelse, har ret til at gennemføre uddannelsen

Dokumenter til optagelse

En kopi af et eksamensbevis for en videregående eller sekundær erhvervsuddannelse med en vedhæftet fil eller et certifikat fra studiestedet (for studerende)
Pas: 1 opslag (foto), 2 opslag (registrering)
SNILS

Programmet er rettet mod at danne og udvikle brugerens færdigheder i bearbejdning, visualisering og analyse af data, med udgangspunkt i de enkleste beskrivende metoder statistik og slutter med moderne metoder, der er blevet udbredt (gradientboosting, analyse af højfrekvente serier, neurale netværksmodellering og etc.). Programmet udvikler det grundlæggende i dataanalyse i Python-miljøet, herunder indhentning af data via API og undersøgelser funktioner i intelligent analyse ("Datamining"), disse metoders plads og rolle inden for dataanalyse og maskine uddannelse. Værktøjerne til datavisualisering (matplotlib, søfødte biblioteker), analyse og modellering af store data (pandaer, scipy, researchpy, statsmodels biblioteker), formulering af et forskningsproblem i en intellektuel analyse.

Statistiske værktøjer til grafisk præsentation af data. Biblioteker matplotlib, søfødt (10 timer)
Gruppering og klassifikation. Overvåget og uovervåget klassificering (8 timer)
Associativ modellering. APRIORI-algoritme (10 timer)
Komponentanalyse og faktormodellering af serier af finansielle og økonomiske dynamikker (10 timer)
Klyngemodellering og dynamisk tidslinjetransformation (6 timer)
Analyse af singularspektrum og lokale empiriske tilstande (8 timer)
Lokal vægtet regression. Social netværksanalyse (8 timer)
Feedforward neurale netværk og konvolutionelle neurale netværk. Dyb læring (10 timer)