В ходе обучения будут рассмотрены основы анализа данных и программирования в среде Python, способы и средства ввода и первичной обработки данных, статистические средства графического представления данных в интеллектуальном анализе и моделировании, проведение контролируемой и неконтролируемой классификации; методы ассоциативного, факторного и кластерного моделирования; компонентного анализа и декомпозиции высокочастотных рядов динамики, нейросетевое моделирование и основы глубинного обучения.

Выбирайте удобный для вас формат обучения - очный (в центре Москвы, в исторических корпусах РЭУ им. Г.В. Плеханова) или дистанционный (из любой точки мира).

Преимущества обучения по программе

• Возможность выбрать удобный формат обучения – онлайн или очно в знании РЭУ им. Г.В. Плеханова.
• Возможность участия в мастер-классах и профильных мероприятиях РЭУ им. Г.В. Плеханова и его партнёров.
• Наличие системы скидок для корпоративных заказчиков.
• Конкурентное преимущество на рынке труда с удостоверением РЭУ им. Г.В. Плеханова – ведущего экономического Университета России.
• Гибкий режим занятий позволяет учиться даже с учетом командировок и занятости на работе.

Как поступить

Требования к слушателям

К освоению программы допускаются лица, имеющие или получающие высшее/среднее профессиональное образование

Документы для поступления

Копия диплома о высшем или среднем профессиональном образовании с приложением или справка с места учебы (для студентов)
Паспорт: 1 разворот (фото), 2 разворот (регистрация)
СНИЛС

Программа направлена на формирование и развитие навыков у пользователя по обработке, визуализации и анализ данных, начиная от простейших методов описательной статистики и заканчивая современными методами, получившими широкое распространение  (градиентный бустинг, анализ высокочастотных рядов, нейросетевое моделирование и др.). В рамках программы формируются основы анализа данных в среде Python, в том числе получение данных через API, изучаются особенности интеллектуального анализа (“Data mining”), место и роль этих методов в сфере анализа данных и машинного обучения. Рассматриваются средства визуализации данных (библиотеки matplotlib, seaborn), анализа и моделирования больших данных (библиотеки pandas, scipy, researchpy, statsmodels), постановка исследовательской задачи в интеллектуальном анализе.