Python for Data Analysis

Дослідження застосувань NumPy та розуміння причин його популярності серед бібліотек для чисельних обчислень. Ознайомлення з різними способами створення та ініціалізації масивів для ефективної обробки різноманітних даних.

Дізнайтеся, як отримувати доступ до окремих елементів і підмножин у масивах NumPy за допомогою індексної нотації. Ознайомтеся із застосуванням умовного індексування для фільтрації даних і ефективного керування відсутніми значеннями.

NumPy надає багато вбудованих функцій для виконання типових операцій з масивами. Дізнайтеся, як застосовувати ці інструменти для ефективного перетворення, агрегації та аналізу даних без написання повторюваного коду.

Дізнайтеся, як ефективно виконувати математичні операції над масивами NumPy. Застосовуйте ці операції для розв'язання реальних задач і отримайте глибше розуміння того, як векторизовані обчислення прискорюють числовий аналіз.

Знайомство з основами бібліотеки pandas. Створення та маніпулювання Series і DataFrame, дослідження їхньої структури, формування впевненості у виконанні базових операцій з даними.

Опанування завантаження та обробки даних з файлів CSV і TXT. Практичний досвід імпортування наборів даних і підготовки їх до подальшого аналізу за допомогою інструментів pandas.

Ознайомлення з методами дослідження, очищення та узагальнення даних. Розуміння обробки відсутніх значень, отримання висновків та виконання базових статистичних операцій за допомогою pandas.

У цьому розділі ви дізнаєтеся, як виводити конкретні стовпці за їхніми назвами або індексами. Також ви ознайомитеся зі способами вибору рядків за індексами.

Тут ви дізнаєтеся, як витягувати дані за певними умовами. Також ви ознайомитеся з методами їх комбінування та створення власних умов.

У цьому розділі ви поглибите знання щодо встановлення різних умов для даних. Ви дізнаєтеся, як перевіряти, чи належать ваші дані до визначеного списку значень або знаходяться між двома значеннями. Ви також навчитеся знаходити найбільші та найменші значення.

Цей розділ є одним із найцікавіших у курсі. Тут ви дізнаєтеся, як групувати дані різними способами. Це допоможе вам працювати як аналітик даних для отримання інформації про окремі групи даних.

Цей розділ є одним із найважливіших для аналітика даних, оскільки якщо дані містять пропущені значення або неправильний формат, працювати з ними буде неможливо. Тут ви дізнаєтесь, як обробляти такі некоректні значення.

Ми розпочнемо вивчення теорії ймовірностей з розгляду основних визначень і правил: що таке стохастичний експеримент і випадкова подія, що таке незалежність і несумісність подій у контексті теорії ймовірностей, що таке ймовірність і як можна обчислювати ймовірності різних елементарних подій.

У реальних завданнях часто доводиться мати справу зі складними взаємозв'язками та, відповідно, обчислювати ймовірності кількох подій або подій, що залежать одна від одної. Розглянемо, як це можна зробити за допомогою теорії ймовірностей.

Для розв’язання багатьох реальних задач теорії ймовірностей створено спеціальні моделі, які описують певні ситуації. Розглянемо деякі з найбільш уживаних моделей, які можна застосовувати для опису дискретних результатів стохастичних експериментів.

Що робити, якщо результат стохастичного експерименту не можна описати дискретним значенням? Для цього використовують моделі, які працюють з неперервними значеннями. Розглянемо найпопулярніші з цих моделей.

Часто виникає завдання перевірки залежності результатів різних стохастичних експериментів один від одного. Більше того, необхідно не лише оцінити наявність залежностей, а й кількісно визначити ступінь цих залежностей. Для вирішення цих задач використовують коваріацію та кореляцію.

Ознайомлення з основами візуалізації даних за допомогою Matplotlib. Вивчення основних концепцій, огляд переваг та створення першого простого графіка з використанням цієї базової бібліотеки для побудови графіків.

Опанування візуалізації даних за допомогою найпопулярніших типів графіків. Побудова лінійних, точкових і стовпчикових діаграм для чіткого представлення висновків із даних.

Вивчення способів зробити графіки більш інформативними та привабливими. Додавання заголовків, легенд, кольорів і сіток, а також ефективне розташування декількох підграфіків.

Дослідження статистичних візуалізацій для аналізу розподілів даних і закономірностей. Створення гістограм, коробкових діаграм і кругових діаграм для виявлення глибших статистичних інсайтів.

Підвищення навичок візуалізації за допомогою Seaborn. Створення розширених графіків, таких як countplot, KDE, pair plot і теплові карти, з опануванням елегантного стилю та параметрів налаштування Seaborn.