Онлайн курс обучения Python.
Начинаем с самых азов, с обзора популярных сред разработки, синтаксиса языка, его возможностей и заканчиваем полноценными знаниями написания программного кода и несколькими финальными проектами. Специально подготовленный теоретический материал с примерами правильного и неправильного использования аспектов программирования позволяет быстрее погрузиться в написание кода. Большое количество практики, основанной на многолетнем опыте, поможет понять какие методы и алгоритмы больше подходят для решения каких бизнес задач.
Курс разделен на две части:
- общая часть, в которой предстоит научиться пользоваться средой разработки и языком Python (переменными, списками, циклами, ветвлениями, функциями и прочим);
- анализ данных, в которой научимся работать с популярными библиотеками Pandas, Matplotlib, Seaborn, Scipy, Numpy, Scikit-learn и Feature Engineering.
Предварительные знания: не требуются! Начинаем с нуля.
Обучение через: Zoom.
Небольшие группы: 7-10 человек.
Всего занятий: 16 онлайн + самостоятельные задачи + готовый конспект с примерами кода и рекомендациями.
Отдельная закрытая группа Телеграм для потока: сюда выкладываем записи онлайн встреч и краткие конспекты занятий.
После каждого урока: самостоятельная практическая работа.
Менторство и ревью кода наставником: включено.
Ближайший старт: 2 февраля 2026.
График обучения: Пн, Чт (20:00 - 21:00).
Установка интерпретатора и среды разработки, из чего состоит программа, стандарты программирования на Python, следования и ветвления, реализация ввода/вывода, арифметические и логические операции, форматирование строк.
Введение в циклы, важные особенности циклов, инструкции break и continue, инструкция else для циклов.
Что такое типы данных, числа, строки, списки, кортежи, bool, NoneType, исключения.
Множества, словари и их ключевые особенности.
Что такое включения, какие они бывают, в чем их ключевые особенности и преимущества.
Встроенные функции и пользовательские, именные и анонимные, позиционные аргументы и именованные, оператор return, области видимости переменных.
Что такое скрипт, как передать параметры в скрипт и выполнить их парсинг, организация импортов в Python-скриптах, конструкция if __name__ == “__main__”.
Работа с текстовыми файлами (открытие, закрытие, чтение и запись, режимы работы с файлами, менеджер контекста, работа с CSV-файлами, работа с JSON-файлами).
Работа с библиотекой Pandas, часть 1. Загрузка данных и анализ структуры.
Агрегирование данных, использование методов groupby, pivot_table, crosstab для группировки данных и построения сводных таблиц, метрика конверсии в работе аналитика.
Разведочный анализ данных, библиотеки Matplotlib и Seaborn, карта визуализаций.
Статистика в работе аналитика с библиотекой Scipy.
Работа с матрицами, векторы и метрики расстояний, рекомендательные системы.
Библиотека Scikit-learn, подготовка данных для последующего моделирования, построение предиктивных моделей в Python, использование ключевых метрик качества моделей.
Использование ключевых метрик качества моделей, Kaggle и техники опытных кагглеров для повышения точности предсказательных моделей, разбор реализации основных техник генерации новых полезных фич, ключевые методы для отбора важных фич.
Feature Selection. Обучение моделей. Подведение итогов обучения, обзор особенностей изученного стека.
8 (495) 136-91-39
prime-soft.biz