Python для анализа данных

Основная задача аналитика — собирать данные и извлекать из них полезные гипотезы, изучая их под разными ракурсами. Для этого в данном модуле мы разбираем библиотеки:
• Numpy.
• Pandas.
• Matplotlib.
• Seaborn.
Полная программа модуля:
Подмодуль «Numpy»
• Глава 1: «Введение».
• Глава 2: «Основные операции с массивами».
• Глава 3: «Основные функции».
• Глава 4: «Статистика».
• Глава 5: «Загрузка и соxранение данных».
• Глава 6: «Линейная алгебра».
• Глава 7: «Логические функции».
• Глава 8: «Случайные величины».
• Глава 9: «Практический кейс».
Подмодуль «Pandas»
• Глава 1: «Введение в Pandas».
• Глава 2: «Загружаем и обрабатываем данные».
• Глава 3: «Изучаем датасет - проводим исследовательский анализ данных (EDA)».
• Глава 4: «Расчеты метрик».
• Глава 5: «Дополнительные методы».
• Глава 6: «Практический блиц-тест».
• Глава 7: «Практический кейс».
• Глава 8: «Несколько лайфхаков от Андрона».
Подмодуль «Визуализация в Python».
• Глава 1: «Matplotlib: Основы».
• Глава 2: «Matplotlib: Тюнинг графиков».
• Глава 3: «Matplotlib: Остальные виды визуализаций».
• Глава 4: «Matplotlib: Совмещение графиков».
• Глава 5: «Seaborn: Основы».
• Глава 6: «Seaborn: Продвинутая визуализация».
• Глава 7: «Plotly: Интерактивные графики».
• Глава 8: «Практическая работа».
• Глава 9: «Разбор практической работы».
• Глава 10: «Полезные советы от Андрона».
• Итоговый проект.
• Итоговый проект — Тестовое в Самокат.
• Итоговый проект — Разбор.
Примеры практических заданий: ABC/XYZ анализ ассортиментной матрицы, анализ сочетаемости товаров, EDA исследовательский анализ.
Итоговая работа: большое тестовое задание в компанию Самокат.