HOCK_FEBRUARY_2024

Записи курса находятся на платформе hockmyweb.

Основы программирования на python

Занятие 1. Введение в программирование

• как работают программы;
• высокоуровневые и низкоуровневые языки программирования;
• интерпретатор и компилятор;
• anaconda и jupyter;
• атомарные типы данных (int, float, str);
• приём значений от пользователя через input, печать данных через print, конвертация типов данных;
• навигация в терминале и клонирование git-репозитория.

Ссылка на контест: https://contest.yandex.ru/contest/52826/standings.

Занятие 2. Условия и цикл for

• Контест на условия: https://contest.yandex.ru/contest/53156/problems/.
  
• Контест на цикл for: https://contest.yandex.ru/contest/53157/problems/.

Занятие 3. Цикл while. Списки. Методы строк

• Контест на while: https://contest.yandex.ru/contest/53463/problems/.
  
• Задачи на списки: https://contest.yandex.ru/contest/53792/problems/.

Занятие 4. Чтение и запись файлов. Словари. Функции

• Чтение, запись файлов: https://contest.yandex.ru/contest/54425/problems/.
  
• Словари: https://contest.yandex.ru/contest/54480/problems/.

Занятие 5. Классы

• Задания для практики в ноутбуке

Основы анализа данных

Занятие 6. Учимся быстро считать и рисовать

• Библиотека для векторизованных расчетов NumPy;
• Библиотека matplotlib.pyplot для статичной визуализации.

Занятие 7. Базовая теория вероятностей и математическая статистика

• Понятие дискретной и непрерывной случайной величин;
• Распределения, связанные с нормальным;
• Создание и работа с генераторми распределений с помощью SciPy;
• Классическая формулировка ЦПТ, сценарии использования в реальной жизни.

Занятие 8. Работа с табличными данными. Доверительные интервали

• ЦПТ;
• Понятие стандартной ошибки;
• Использование ЦПТ для вывода дисперсии выборочного среднего для разных распределений;
• Доверительный интервал для выборочного среднего, доли, разницы средних;
• Подсчёт числа наблюдений для построения доверительного интервала определенной длины на определенном уровне значимости;
• Основы работы с табличными данными с помощью Pandas.

Занятие 9. Работа с таблиуцами

• Соединение таблиц (merge, join, concat);
• Широкий и длинный формат таблиц, пивотирование;
• Группировка (groupby);
• Работа с датой и группировка по дате (resample);
• Статическая визуализация с помощью Seaborn;

Занятие 10. Проверка статистических гипотез

• Постановка нулевой и альтернативной гипотез;
• Уровень значимости и p-value;
• z-тест и t-тест для средних (одновыборочный, двувыборочный)
• Процедура проведения А/Б теста.

Занятие 11. Классическое машинное обучение. Линейые модели.

• Постановка задачи линейной регрессии;
• Способы решения задачи;
• Базовые классы Scikit-learn: estimatorm, transformer;
• Решение задачи линейной регрессии через sklearn;
• Решение задачи линейной регрессии через statsmodels;
• Разбиение данных на трейн и тест;
• Метрики для оценки моделейы.

Полезные ссылки

• Интерактивный учебник pythontutor.ru.
  Здесь собрана краткая теория по базовому питону и задачи для закрепления патериала. Рекомендую для дополнительной практики. *(Чтобы ваши решения сохранялись и была возможность проверять их на всех доступных тестах, нужно зарегистрироваться)