TERMIN
06-06 – 07-06-2024
Zobacz pozostałe terminy

TRYB SZKOLENIA
Distance Learning
Sprawdź szkolenia stacjonarne

Lokalizacja Termin Cena Wybierz
{{place.city}}
{{ event_pack_item.event_details.education_center.name }} ???
Nowość {{place.price}} netto
{{ place.price | zlotyPriceWithTax }} brutto
 
Skontaktuj się z nami
Dostępne terminy:
DISTANCE LEARNING2024-06-06 - 2024-06-07
DISTANCE LEARNING2024-07-11 - 2024-07-12
DISTANCE LEARNING2024-08-01 - 2024-08-02
DISTANCE LEARNING2024-09-19 - 2024-09-20
DISTANCE LEARNING2024-10-30 - 2024-10-31
DISTANCE LEARNING2024-11-28 - 2024-11-29
DISTANCE LEARNING2024-12-19 - 2024-12-20
Lokalizacja i termin do uzgodnienia
Nowość {{place.price}} netto {{ place.price | zlotyPriceWithTax }} brutto
 
  • Liczba miejsc (dostępnych: {{ basketAddItem.free_seats}})
    {{ basketAddItem.city }}
    {{ basketAddItem.date }}
    Dodaj do koszyka LUB Zarezerwuj szkolenie
    Dodano do koszyka
    Liczba miejsc xxxxxxxxxx

Żeby dowiedzieć się, czy dane szkolenie będzie realizowane stacjonarnie skontaktuj się ze swoim Opiekunem lub zadaj pytanie przez Formularz kontaktowy

Szkolenie / Python...

Analiza danych w Pythonie – poziom średniozaawansowany

Pakiety e-learning

Szkolenie:Analiza danych w Pythonie – poziom średniozaawansowany

Przeznaczenie szkolenia

Szkolenie przeznaczone jest dla osób chcących poznać techniki analizy danych z wykorzystaniem języka Python na poziomie średniozaawansowanym.

Korzyści wynikające z ukończenia szkolenia

Szkolenie stanowi kontynuację kursu „Analiza danych w Pythonie – poziom podstawowy”. Uczestnicy rozwiną dalsze umiejętności wizualizacji danych z użyciem pakietu Seaborn oraz zaznajomią się z narzędziem do interaktywnej wizualizacji danych – pakietem Bokeh. Poznają podstawy prawdopodobieństwa, statystyki oraz wnioskowania statystycznego. Kursanci nauczą się przeprowadzać symulacje losowe oraz testować hipotezy pozwalające określić, czy występujące w populacjach różnice są istotne statystycznie.

Oczekiwane przygotowanie słuchaczy

Znajomość podstaw języka Python oraz pakietów NumPy, pandas i Matplotlib.

Szkolenia poprzedzające
Język szkolenia

  • Szkolenie: polski

AGENDA SZKOLENIA

  1. Zaawansowana wizualizacja danych

    • Seaborn

      • Heatmap

      • Pair plot

      • Swarm plot

      • Box plot

    • Bokeh

      • Interaktywna wizualizacja

      • Konfiguracja wyglądu

      • Wykres liniowy

      • Wykres rozrzutu

      • Suwaki i przyciski

  2. Podstawy prawdopodobieństwa i statystyki

    • Prawdopodobieństwo

    • Korelacja danych

    • Rozkład ciągły i dyskretny

    • Gęstość prawdopodobieństwa

    • Funkcja masy prawdopodobieństwa

    • Rozkład standardowy

    • Centralne twierdzenie graniczne

    • Reguła 3 sigm

  3. Wnioskowanie statystyczne

    • Liczby pseudolosowe

    • Symulacje losowe

    • p-value

    • Estymacja punktowa

    • Estymacja przedziałowa

    • Bootstrapowy przedział ufności

    • Metoda Monte-Carlo

    • Testowanie hipotez

    • Test równości średnich

    • Test równości proporcji

    • Test normalności rozkładu


Kod szkolenia PYTH_ANALIZA_ZAAW / PL AA 2d
   array(6) {
  ["id"]=>
  string(36) "177239BF-B9FC-42DA-B699-B63DECFD98F3"
  ["name"]=>
  string(6) "Altkom"
  ["iscertificatevendor"]=>
  int(0)
  ["iscontentvendor"]=>
  int(1)
  ["imagehash"]=>
  string(12102) "data:image/png;base64,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"
  ["slug"]=>
  string(6) "altkom"
}
    
Pobierz PDF
FORMULARZ KONTAKTOWY
Imię

*

Nazwisko

*

Telefon

*

E-mail

*

Firma

Kod prom.

  • {{ order.city }} {{ order.date }} {{ order.price_without_promo }} {{ order.price }} {{ order.price }}   {{ order.code }} {{ order.price_without_promo }} {{ order.price }} {{ order.price }}  
Analiza danych w Pythonie – poziom średniozaawansowany (PYTH_ANALIZA_ZAAW / PL AA 2d)

Cena promocyjna od:
Cena netto
2100.00 PLN
1700 PLN
+ vat (2091 PLN brutto ) 1. os.
Tryb szkolenia: Distance Learning
Termin: 06-06-2024
Czas trwania: 2 dni (ilość godzin: 14)
Kup Teraz
Zadaj pytanie o szkolenie
Poziom
IntermediateAdvanced
Training Assurance
Gwarancja
Powtórzenia szkolenia
Polecane szkolenia