Учебное пособие посвящено формированию комплекса компетенций, необходимых современному специалисту для обработки и анализа данных для принятия обоснованных управленческих решений. Учебное пособие предназначено для студентов и специалистов, которые хотят познакомиться с языком программирования Python и научиться проводить с его помощью анализ данных, и позволяет поэтапное изучение языка программирования для наиболее эффективного запоминания.

• СОДЕРЖАНИЕ
• Введение
• Урок 1. Вводная информация для начала работы с Python
• Что такое Python и почему именно он?
• Как пользоваться Python?
• Что такое Jupyter Notebook?
• Урок 2. Переменные и текстовый тип данных
• Что такое переменные в Python?
• Текстовый тип данных
• Урок 2. Практические задания
• Урок 3. Численные типы данных
• Виды численных типов данных
• Урок 3. Практические задания
• Урок 4. Списки
• Что такое списки в Python и зачем они нужны
• Введение в индексы
• Введение в срезы
• Примеры срезов
• Методы и функции работы со списками
• Урок 4. Практические задания
• Урок 5. Цикл for и циклическая обработка списков
• Функция range
• Потенциальные ошибки
• Урок 5. Практические задания
• Урок 6. Уcловие if и операторы сравнения
• Проверка условий
• Тип данных True-False
• Типичные ошибки синтаксиса
• Урок 6. Практические задания
• Урок 7. Словари и вложенные структуры
• Словари
• Вложенные структуры
• Урок 7. Практические задания
• Урок 8. Основы парсинга
• Основы веб-скрапинга
• Настройка User-Agent
• Настройка Timeout
• Урок 8. Практические задания
• Урок 9. Парсинг API
• Суть API
• API ресурсов данных
• Federal Reserve Economic Data API
• Извлечение данных с помощью pandas-datareader
• Alpha Vantage API
• World Bank Data API
• Урок 9. Практические задания
• Урок 10. Структурирование данных средствами pandas
• Структуры данных
• Примеры прикладных задач, решаемые средствами Pandas
• Настройки отображения данных
• Удаление элементов таблицы
• Фильтрация данных
• Перебор строк данных
• Работа с индексами
• Работа с типами данных
• Численная обработка столбцов
• Метод resample()
• Работа с форматом даты
• Объединение датафреймов
• Обработка пропусков
• Сохранение данных
• Статистическая обработка данных
• Метод groupby()
• Урок 10. Практические задания
• Урок 11. Квантификация текста в рамках анализа данных
• Естественная информация и искусственная информация
• Квантификация текста
• Предварительная обработка текста
• Метрики сравнения токенов
• Модели количественного описания текста
• Метрики сравнения текста
• Методы тематической кластеризации текстов
• Hugging Face
• Урок 11. Практические задания
• Урок 12. Моделирование зависимости или задачи обучения “с учителем”
• Обучение “с учителем”
• Задачи регрессии
• Задача классификации
• Логистическая регрессия
• Заключение
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ