Курс на Stepik
Обложка курса «Python для аналитиков» на Stepik
2 500 ₽

Python для аналитиков ★ 4.667

Открыть на
STEPIK.ORG

Работа с большими данными (сфера Data Scince) охватывает большинство отраслей: производство, медицину, банковское дело, IT-сектор и т.д. Принимать правильные решения на основе больших объемов данных или прогнозировать значения различных параметром или наступление определенных событий – важные умения специалиста. Python в этом вопросе нам очень помогает – предоставляет широкий перечень библиотек для решения широкого класса вопросов по исследованию данных и прогнозированию.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Python для аналитиков»Учеников на курсе 46
Сертификаты, выданные на курсе «Python для аналитиков»Сертификатов выдано 0
Отзывы о курсе «Python для аналитиков»Отзывов получено 3
Рейтинг курса «Python для аналитиков»Рейтинг курса 4.667
Уроки в курсе «Python для аналитиков»Количество уроков 58
Время прохождения курса «Python для аналитиков»Время прохождения курса —
Стоимость курса «Python для аналитиков»Стоимость курса 2 500 ₽ —
Обновления курса «Python для аналитиков»Обновления курса — —
Дата публикации курса «Python для аналитиков»Дата публикации курса — ———
Последнее обновление курса «Python для аналитиков»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Python для аналитиков» 8 разделов Уроки в курсе «Python для аналитиков» 58 уроков Время прохождения курса «Python для аналитиков» 3 ч. Последнее обновление курса «Python для аналитиков» обн. 18 сентября 2026

Работа с библиотекой Pandas. Часть 1

8 уроков
1. Введение в Pandas ↗
2. Что такое Data Frame ↗
3. Базовые операции с данными ↗
4. Фильтрация данных ↗
5. Сортировка данных ↗
6. Объединение датафреймов ↗
7. Объединение датафреймов в pandas ↗
8. ДОМАШНЕЕ ЗАДАНИЕ ↗

Работа с библиотекой Pandas. Часть 2

9 уроков
1. Что такое агрегирование данных ↗
2. Что такое метод group_by ↗
3. Что такое метод pivot_table ↗
4. Что такое функция cross_tab ↗
5. Что такое метрика конверсии ↗
6. Подготовка данных для урока ↗
7. Агрегирование и создание воронок конверсии ↗
8. Создание сводных таблиц ↗
9. ДОМАШНЕЕ ЗАДАНИЕ ↗

Анализ данных и визуализация с помощью Matplotlib и Seaborn

13 уроков
1. Что такое разведочный анализ данных ↗
2. Подготовка данных для урока ↗
3. Создаем линейный график ↗
4. Создаем гистограмму ↗
5. Создаем диаграмму рассеяния ↗
6. Создаем боксплот ↗
7. Создаем столбчатую диаграмму ↗
8. Создаем столбчатую многорядную диаграмму ↗
9. Строим столбчатую многорядную сложенную диаграмму ↗
10. Строим столбчатую многорядную сложенную диаграмму с долями и % ↗
11. Строим круговую диаграмму ↗
12. Библиотека seaborn ↗
13. ДОМАШНЕЕ ЗАДАНИЕ ↗

Статистика с библиотекой Scipy

7 уроков
1. Что такое библиотека Scipy ↗
2. Что такое A/B - тестирование ↗
3. Что такое задача оптимизации ↗
4. A/B - тест с категориальной метрикой ↗
5. A/B - тест с числовой метрикой ↗
6. Задача оптимизации ↗
7. ДОМАШНЕЕ ЗАДАНИЕ ↗

Линейная алгебра с библиотекой Numpy

5 уроков
1. Что такое Numpy ↗
2. Подготовка данных ↗
3. Коллаборативная фильтрация ↗
4. Рекомендации на основе коллаборативной фильтрации ↗
5. ДОМАШНЕЕ ЗАДАНИЕ ↗

Предобработка данных и предиктивные модели в Scikit-learn

4 урока
1. Что такое модель машинного обучения ↗
2. Что такое Scikit-learn ↗
3. Пример создания модели машинного обучения ↗
4. ДОМАШНЕЕ ЗАДАНИЕ ↗

Повышение качества предиктивных моделей. Feature Engineering

8 уроков
1. Введение в Feature Engineering ↗
2. Подготовка данных ↗
3. Признаки 'Sex' и ‘Age’ ↗
4. Признаки 'Sibsp' и 'Parch' ↗
5. Признаки 'Ticket' и ‘Fare’ ↗
6. Признак 'Cabin' ↗
7. Признак 'Embarked' ↗
8. ДОМАШНЕЕ ЗАДАНИЕ ↗

Feature Selection. Обучение моделей

4 урока
1. Feature Selection ↗
2. Обучение модели ↗
3. Улучшение модели ↗
4. ДОМАШНЕЕ ЗАДАНИЕ ↗