ПРОГРАММА КУРСА «ПОДГОТОВКА ДАННЫХ ДЛЯ DATA MINING НА PYTHON»

1. ПРОДВИНУТЫЕ ВОЗМОЖНОСТИ БИБЛИОТЕК ЯЗЫКА PYTHON ДЛЯ ОБРАБОТКИ И ВИЗУАЛИЗАЦИИ ДАННЫХ

Цель: познакомить участников с продвинутыми возможностями основных библиотек языка Python для обработки и визуализации данных и сформировать необходимые навыки по работе с данными в рассматриваемых библиотеках

Теоретическая часть:

• изучение возможностей библиотек языка Python для обработки (Pandas, NumPy, SciPy, Sklearn) и визуализации (matplotlib, seaborn) данных.
• обзор основных приемов по работе с данными:
  • первичный анализ данных
  • получение описательных статистик
  • изменение типа данных
  • построение сводных таблиц
  • визуализация статистических характеристик данных (гистограммы, графики плотностей распределений, тепловые карты, «ящики с усами» и «виолончели»)

Практическая часть: решение практических задач обработки и визуализации данных на примере табличных данных.

2. БИБЛИОТЕКИ PYTHON В КОРРЕКТИРОВАНИИ ТИПИЧНЫХ ОСОБЕННОСТЕЙ В ДАННЫХ

Цель: познакомить участников с основными особенностями в данных, с которыми приходится сталкиваться в реальных задачах, и научить успешно их корректировать с использованием библиотек языка Python. Продемонстрировать применение указанных подходов в случае промышленного варианта подготовки данных на примере использования Apache Spark (PySpark).

Теоретическая часть:

• обзор типичных особенностей в данных и подходов к их корректировке:
  • отсутствующие значения
  • выбросы
  • дубликаты
• подготовка данных для использования в алгоритмах машинного обучения:
  • нормализация числовых данных
  • преобразование категориальных значений
  • работа с текстовыми данными

Практическая часть: подготовка «сырых» данных для использования в алгоритме машинного обучения с подробным анализом влияния каждой особенности датасета на конечный результат работы алгоритма

3. ПОДХОДЫ К ПОСТРОЕНИЮ ДОПОЛНИТЕЛЬНОГО ПРИЗНАКОВОГО ПРОСТРАНСТВА НА ОСНОВЕ ИСХОДНЫХ ДАННЫХ

Цель: познакомить участников с основными подходами получения дополнительных и наиболее значимых характеристик из исходных данных. Продемонстрировать влияние дополнительных признаков на улучшение метрик качества работы алгоритмов машинного обучения с использованием библиотеки Sklearn

Теоретическая часть:

• обзор подходов формирования дополнительного признакового пространства и выбора наиболее значимых характеристик
  • увеличение размерности исходного признакового пространства
    • постановка задачи в случае обучения с учителем – с использованием целевой переменной
    • постановка задачи в случае обучения без учителя
  • уменьшение размерности исходного признакового пространства
• подробный анализ задачи увеличения размерности исходного признакового пространства в случае обучения с учителем:
  • статистические методы фильтрации признаков в задачах классификации и регрессии
  • методы машинного обучения как инструменты для получения наиболее значимых признаков в данных

 Практическая часть: решение прикладной задачи построения дополнительного признакового пространства и получения наиболее значимых признаков с подробным анализом влияния рассмотренных теоретических подходов на конечный результат работы алгоритмов машинного обучения

4. ПРОЕКТНАЯ РАБОТА

Цель: закрепить полученные слушателями курса знания по подготовке данных.

Теоретическая часть: краткий обзор пройденного материала со ссылками на рабочие блокноты, в которых решалась та или иная задача подготовки данных.

Практическая часть: самостоятельное решение задачи подготовки датасета для машинного обучения с использованием собственной базы данных или на лабораторном наборе от организаторов курса. Итоговый разбор работ слушателей курса.