Программа «Data Science на Python: анализ и визуализация данных» включает
144 урока (256 академических часов). Курс охватывает весь цикл работы с данными — от основ Python и анализа данных с Pandas и NumPy до визуализации с Matplotlib, Seaborn, Plotly и автоматизации обработки данных.
Выпускники программы могут занимать позиции Data Analyst, Data Scientist (Junior), Python Analyst, BI-аналитик, специалист по визуализации данных. Востребованность — в IT-компаниях, аналитических подразделениях, финтехе, маркетинге, ритейле и стартапах.
Технологический стек программы
Python
Pandas
NumPy
Matplotlib
Seaborn
Plotly
SQLAlchemy
Streamlit
Dask
Pandas
NumPy
Matplotlib
Seaborn
Plotly
SQLAlchemy
Streamlit
Dask
Программа реализуется Центром индивидуального обучения Центра 25-12. Обучение проходит в формате 1-на-1 с преподавателем по согласованному расписанию.
Документ об окончании
Диплом о профессиональной переподготовке
✓
Официальный документ об окончании программы ДПО
Официальный документ об окончании программы ДПО
✓
Подтверждает квалификацию «Специалист по большим данным»
Подтверждает квалификацию «Специалист по большим данным»
✓
Соответствует профстандарту 06.036 и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование»
Соответствует профстандарту 06.036 и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование»
Качество и соответствие
Программа «Data Science на Python: анализ и визуализация данных» соответствует профстандарту 06.036 «Специалист по работе с данными» и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование».
Стоимость и оплата
Оплату можно разделить на 4 этапа в течение обучения. Все платежи осуществляются напрямую в адрес образовательной организации — без процентов и скрытых комиссий.
1 этап
при старте модуля 1
72 000 ₽
2 этап
перед модулем 2
72 000 ₽
3 этап
перед модулем 3
72 000 ₽
4 этап
перед модулем 4
72 000 ₽
Общая стоимость программы — 288 000 ₽
Содержание
- 4 модуля
- 144 уроков
- 256 часов
- Модуль 1. Программирование на языке Python36
- 1.1Основы синтаксиса, переменные, типы данных
- 1.2Практическая работа №1. Установка Python и запуск первой программы
- 1.3Переменные и типы данных
- 1.4Практическая работа №2. Работа с переменными и типами данных
- 1.5Операторы в Python
- 1.6Практическая работа №3. Вычисления и логические операции в Python
- 1.7Условные конструкции
- 1.8Практическая работа №4. Программы с условными операторами
- 1.9Циклы в Python
- 1.10Практическая работа №5. Написание циклических программ
- 1.11Работа со строками
- 1.12Практическая работа №6. Обработка строк
- 1.13Списки и кортежи
- 1.14Практическая работа №7. Работа со списками
- 1.15Словари и множества
- 1.16Практическая работа №8. Использование словарей
- 1.17Функции в Python: основы
- 1.18Практическая работа №9. Создание пользовательских функций
- 1.19Передача аргументов, *args, **kwargs
- 1.20Практическая работа №10. Работа с *args и **kwargs
- 1.21Работа с файлами: чтение и запись
- 1.22Практическая работа №11. Работа с файлами: чтение и запись данных
- 1.23Работа с CSV и JSON файлами
- 1.24Практическая работа №12. Чтение и запись данных в CSV и JSON
- 1.25Обработка ошибок и исключения
- 1.26Практическая работа №13. Обработка ошибок в программах
- 1.27Регулярные выражения (re)
- 1.28Практическая работа №14. Поиск и замена данных с использованием regex
- 1.29Основы ООП в Python
- 1.30Практическая работа №15. Создание классов и объектов
- 1.31Наследование и полиморфизм
- 1.32Практическая работа №16. Реализация наследования в Python
- 1.33Генераторы списков и lambda-функции
- 1.34Практическая работа №17. Оптимизация кода с генераторами
- 1.35Модули и виртуальные окружения
- 1.36Практическая работа №18. Создание и использование venv
- Модуль 2. Основы анализа данных на Python36
- 2.1Введение в анализ данных и экосистему Python
- 2.2Практическая работа №1. Установка Pandas и NumPy, создание первых объектов
- 2.3Основы работы с массивами NumPy
- 2.4Практическая работа №2. Операции с одномерными и двумерными массивами
- 2.5Создание и индексация DataFrame в Pandas
- 2.6Практическая работа №3. Создание и модификация DataFrame из словаря и списка
- 2.7Загрузка и сохранение данных в CSV
- 2.8Практическая работа №4. Чтение и запись данных в CSV-файлы
- 2.9Работа с Excel-файлами через openpyxl
- 2.10Практическая работа №5. Обработка Excel-файлов без использования закрытых библиотек
- 2.11Подключение к локальной базе данных через SQLite и SQLAlchemy
- 2.12Практическая работа №6. Выполнение SQL-запросов и загрузка результатов в DataFrame
- 2.13Фильтрация строк и столбцов в Pandas
- 2.14Практическая работа №7. Условная фильтрация данных с логическими операторами
- 2.15Группировка данных и применение агрегатных функций
- 2.16Практическая работа №8. Группировка данных по категориям и вычисление статистик
- 2.17Создание и использование сводных таблиц
- 2.18Практическая работа №9. Анализ данных с помощью pivot_table
- 2.19Объединение таблиц: merge и join
- 2.20Практическая работа №10. Слияние данных из нескольких источников
- 2.21Конкатенация и объединение по индексу
- 2.22Практическая работа №11. Вертикальное и горизонтальное объединение DataFrame
- 2.23Работа с датами и временными метками
- 2.24Практическая работа №12. Преобразование строк в datetime и извлечение компонентов
- 2.25Анализ временных рядов: индексация и срезы
- 2.26Практическая работа №13. Работа с данными, индексированными по времени
- 2.27Декомпозиция временного ряда на тренд и сезонность
- 2.28Практическая работа №14. Визуализация и анализ компонентов временного ряда
- 2.29Обнаружение пропущенных значений
- 2.30Практическая работа №15. Диагностика и визуализация пропусков в данных
- 2.31Методы обработки пропущенных данных
- 2.32Практическая работа №16. Заполнение и удаление пропусков разными стратегиями
- 2.33Выявление и анализ выбросов
- 2.34Практическая работа №17. Обнаружение аномалий с помощью IQR и Z-оценки
- 2.35Кодирование категориальных признаков
- 2.36Практическая работа №18. Применение One-Hot и Label Encoding
- Модуль 3. Визуализация данных на Python36
- 3.1Принципы эффективной визуализации данных
- 3.2Практическая работа №1. Создание первого графика с Matplotlib
- 3.3Настройка стиля и оформления графиков
- 3.4Практическая работа №2. Кастомизация цветов, меток и легенд
- 3.5Линейные графики и аннотации
- 3.6Практическая работа №3. Визуализация динамики показателей во времени
- 3.7Гистограммы и столбчатые диаграммы
- 3.8Практическая работа №4. Анализ распределений и категориальных данных
- 3.9Круговые диаграммы и тепловые карты
- 3.10Практическая работа №5. Визуализация пропорций и матриц корреляции
- 3.11Визуализация временных рядов: тренды и волатильность
- 3.12Практическая работа №6. Построение графиков с подвижным средним
- 3.13Использование Seaborn для статистической визуализации
- 3.14Практическая работа №7. Построение графиков с автоматической стилизацией
- 3.15Сравнение нескольких временных рядов
- 3.16Практическая работа №8. Наложение и синхронизация нескольких временных рядов
- 3.17Введение в Plotly: интерактивные графики
- 3.18Практическая работа №9. Создание интерактивного линейного графика в Jupyter
- 3.19Элементы управления в интерактивных графиках
- 3.20Практическая работа №10. Добавление слайдеров и выпадающих меню в Plotly
- 3.21Визуализация временных рядов с анимацией
- 3.22Практическая работа №11. Анимированные временные ряды в Plotly
- 3.23Интерактивные тепловые карты и картограммы
- 3.24Практическая работа №12. Построение интерактивной карты с геоданными
- 3.25Диаграммы рассеяния и регрессионные линии
- 3.26Практическая работа №13. Визуализация зависимостей между переменными
- 3.27Ящиковые и скрипичные диаграммы
- 3.28Практическая работа №14. Сравнение распределений по группам
- 3.29Корреляционные матрицы и heatmap
- 3.30Практическая работа №15. Визуализация взаимосвязей признаков
- 3.31Отчёты в Jupyter Notebook
- 3.32Практическая работа №16. Оформление аналитического отчёта в Jupyter
- 3.33Публикация отчётов: HTML и PDF
- 3.34Практическая работа №17. Экспорт Jupyter Notebook в статический отчёт
- 3.35Разработка веб-интерфейса с Streamlit
- 3.36Практическая работа №18. Создание интерактивного дашборда для анализа данных
- Модуль 4. Автоматизация и масштабирование аналитики36
- 4.1Принципы автоматизации аналитических задач
- 4.2Практическая работа №1. Создание скрипта для автоматической очистки данных
- 4.3Продвинутая обработка пропущенных значений
- 4.4Практическая работа №2. Импутация пропусков с использованием KNN и группировки
- 4.5Обработка выбросов и дубликатов в пайплайне
- 4.6Практическая работа №3. Создание функции для комплексной очистки данных
- 4.7Преобразование типов и нормализация данных
- 4.8Практическая работа №4. Приведение признаков к аналитически удобному формату
- 4.9Генерация отчётов в Excel с openpyxl и xlsxwriter
- 4.10Практическая работа №5. Автоматическое создание Excel-отчёта с форматированием
- 4.11Создание PDF-отчётов с библиотекой reportlab
- 4.12Практическая работа №6. Генерация PDF-документа с графиками и таблицами
- 4.13Интерактивные дашборды в Streamlit
- 4.14Практическая работа №7. Разработка многостраничного дашборда с фильтрами
- 4.15Автоматизация отправки отчётов по email
- 4.16Практическая работа №8. Отправка отчёта через SMTP с вложением
- 4.17Работа с публичными REST API
- 4.18Практическая работа №9. Запрос данных с open-источников
- 4.19Парсинг статических веб-страниц с requests и BeautifulSoup
- 4.20Практическая работа №10. Извлечение табличных данных с сайтов
- 4.21Парсинг динамических страниц с requests-html
- 4.22Практическая работа №11. Сбор данных с сайтов, генерируемых JavaScript
- 4.23Интеграция с Telegram Bot API
- 4.24Практическая работа №12. Отправка уведомлений и отчётов в Telegram
- 4.25Оптимизация обработки больших CSV
- 4.26Практическая работа №13. Чтение и обработка файлов по частям (chunking)
- 4.27Работа с большими данными через Dask
- 4.28Практическая работа №14. Параллельная обработка DataFrame с Dask
- 4.29Многопоточная обработка данных
- 4.30Практическая работа №15. Ускорение вычислений с threading и concurrent.futures
- 4.31Профилирование производительности
- 4.32Практическая работа №16. Измерение времени выполнения и поиск «узких мест»
- 4.33Кеширование результатов вычислений
- 4.34Практическая работа №17. Использование functools.lru_cache и дискового кеша
- 4.35Интеграция компонентов аналитического пайплайна
- 4.36Практическая работа №18. Реализация сквозного процесса: от сбора данных до генерации отчёта
Обучение проходит онлайн, индивидуально с преподавателем.
Да, график занятий составляется индивидуально.
Программа подходит и для начинающих — установка и настройка ПО проводятся вместе с преподавателем.
Финальный проект — разработка системы анализа и визуализации реальных данных.
После успешной защиты итогового проекта выдается официальный документ.
Требования
- Уверенное владение ПК
- Наличие гарнитуры и стабильного интернета
- Установленная среда разработки (рекомендации по установке даются в начале курса)
Особенности
- Обучение без воды – только актуальные знания, которые применяются в реальных задачах
- Полноценная практика – каждую тему сопровождают практические задания
- Работа с преподавателем – разбор ошибок и помощь
- Выбор формата обучения – персональный
- Выдача документа – диплом о профессиональной переподготовке
Целевая аудитория
- Начинающие специалисты по данным
- Python‑разработчики, стремящиеся перейти в Data Science
- Студенты и выпускники технических направлений
- Аналитики и исследователи, желающие визуализировать данные
- Специалисты, автоматизирующие отчёты и обработку данных