ლექტორის შესახებ:
ალიკა ბიწაძე
განათლება: ეკონომეტრიკის კათედრის დოქტორანტი – თსუ
არაფორმალური განათლება:
Institute and Faculty of Actuaries – CAA(Certified Actuarial Analyst);
USAID და ილიას სახელმწიფო უნივერსიტეტი – Advanced IT trainings;
DataOps Forset & Maxin AI & USAID – მონაცემთა მეცნიერების კურსი
სამუშაო გამოცდილება:
თიბისი ბანკი – მონაცემთა ანალიტიკოსი პითონის მიმართულებით;
შავი ზღვის საერთაშორისო უნივერსიტეტი – მოწვეული ლექტორი საგანში “მონაცემთა ანალიზი და ბიზნეს მოდელირება ელექტრონული ცხრილებით”
მოკლე აღწერა:
| შეხვედრების რაოდენობა | 16 შეხვედრა (2 საათი) |
| სასწავლო კურსის მიზანი | ეს კურსი ზედმიწევნით არის შესრულებული პითონის საწყისების შესასწავლად , მონაცემთა მანიპულაციის, ვიზუალიზაციის და ბიზნეს მოდელირების ამოცანების გადასაჭრელად, რაც უზრუნველყოფს ძირითადი ცნებების სრულყოფილ გაგებას. კურსის მონაწილეები შეიძლება იყვნენ სხვადასხვა კომპანიის მონაცემთა ანალიზზე მომუშავე თანამშრომლები, კვალიფიკაციის ამაღლებით დაინტერესებულნი, კარიერის შეცვლით დაინტერესებული ადამიანები და სტუდენტები |
| სწავლის შედეგი | მსმენელები კურსის გავლის შედეგად გამოიმუშავებენ შემდეგ კომპეტენციებს: -პითონის სამუშაო გარემოში მუშაობა -მონაცემთა სტრუქტურის ტიპების ცოდნა -რელაციური და ლოგიკური ოპერატორების გამოყენების უნარი -ფუნქციების იმპლემენტაცია, საკუთარი ფუნქციების დაწერა,შენახვა და გამოყენება -კლასიფიკაციის და რეგრესიის ამოცანებით მიზნობრივი -ცვლადის პროგნოზირება და შეფასება -ქაოსური მონაცემების გამოყენებით ლოგიკური გადაწყეტილებების მიღების უნარი |
სილაბუსი:
| # | კურსის შინაარსი | ძირითადი მიგნებები |
| 1. | პითონის საფუძვლების შესავალი -კურსის მიზნებისა და ამოცანების განსაზღვრა -რა არის მონაცემთა ანალიტიკა? -პროგრამირების ძირითადი ცნებები -დეველოპერული გარემოს დაყენება(Python, Jupyter Notebook) -რა არის კერნელის ბირთვი -პითონის ბიბლიოთეკებთან მუშაობა -პითონის ძირითადი სინტაქსი -ცვლადების განსაზღვრა დავალება : სტუდენტებმა საკუთარ კომპიუტერებზე გამართონ იუპიტერის სამუშაო გარემო. | პროგრამირების ენები ერთმანეთისგან განსხვავდებიან, შესაბამისად ისინი სხვადასხვა სამუშაო გარემოს დახმარებით იმართებიან |
| 2. | მონაცემთა ტიპები და ოპერატორები -ფუნდამენტურიმონაცემებისტიპები(ტექსტური, რიცხვითი,მიმდევრობითი, ბულის და სხვა) -მონაცემთა ტიპის შეცვლა -პითონის ოპერატორები(არითმეტიკული, მინიჭების,შედარების,ლოგიკური და სხვა) დავალება: ტექსტური და არითმეტიკული ოპერაციების შესრულება | როგორ ურთიერთობენ მონაცემები პითონში |
| 3. | სამართავი სტრუქტურები და ფუნქციები -პირობითი ოპერატორები(if,elif,else) ციკლები(for,while) -ფუნქციების შექმნა და გამოძახება -სტუდენტის მიერ დაწერილი ფუნქციების შენახვა პითონის ფაილში და გამოძახება -შეცდომების და გამონაკლისების დამუშავება პითონში(Try Except) დავალება: ფუნქციების დაწერა, შენახვა და გამოყენება | ყველას შეუძლია საკუთარი ფუნქციათა ფაილი დაწეროს და სხვას გაუზიაროს |
| 4. | დავალების წარდგენა | |
| 5. | მონაცემების იმპორტი და მოქმედებები ცხრილებზე -შესავალი მონაცემთა ანალიტიკაში Python-ით -პითონში მონაცემების ჩაწერა და წაკითხვა -DataFrames და სერიებთან მუშაობა -მონაცემების ინდექსირება და შერჩევა -მონაცემთა მანიპულაცია Pandas-ში -ცხრილების გაერთიანება(join) -ცხრილის ძირითადი სტატისტიკის გამოტანა -შედეგების მოსახერხებელ ფორმატში შენახვა დავალება : მონაცემების იმპორტი და ცვლილებების შეტანა | როგორც ექსელის ცხრილში შეგვიძლია შევინახოთ გარკვეული ინფორმაცია და მასზე მოვახდინოთ გარდაქმნები, იგივე მოქმედებები შეგვიძლია შევასრულოთ Pandas_ის DataFrame ში. მიღებული შედეგები კი ისევ ექსელის ცხრილში შეიძლება ჩაიწეროს |
| 6. | მონაცემთა გაწმენდა და წინასწარი დამუშავება -დროით, სივრცულ და პანელურ მწკრივებთან მუშაობა -მონაცემთა გაწმენდა და გამოტოვებულ მნიშვნელობებთან მუშაობა(წაშლა, სხვადასხვა ტიპის იმპუტაცია) -მონაცემთა ტრანსფორმაცია, სტანდარტიზაცია, ნორმალიზაცია -კატეგორიული მონაცემების დამუშავება -მონაცემთა აგრეგაცია და ცხრილის შეჯამება -მარტივი მონაცემთა ვიზუალიზაციების აგება Pandas-ში. დავალება : მონაცემთა ტრანსფორმაცია | უხეშად რომ ვთქვათ, მთლიანი პროექტის დროის დაახლოებით30-70% სჭირდება მონაცემთა მოწესრიგებას და სამუშაო მდგომარეობამდე მიყვანას. |
| 7. | მონაცემთა ვიზუალიზაცია -შესავალი მონაცემთა ვიზუალიზაციაში -Matplotlib საბაზისო გრაფიკების ასაგებად -Seaborn სტატისტიკური გრაფიკების ასაგებად დავალება : მონაცემთა ვიზუალიზაცია | მონაცემთა ვიზუალიზაცია გვეხმარება კომპლექსური მონაცემების მარტივად აღქმაში |
| 8. | დავალების წარდგენა | |
| 9. | Excel-დან Python-ზე გადასვლა -Excelის ფუნქციების შედარება Pandas-თან -Excelის ამოცანების გადატანა პითონში -Pivot Table პითონში დავალება : ექსელის ამოცანების პითონით შესრულება | ფაქტიურად ყველა იმ ამოცანის შესრულება, რომელიც შესაძლებელია Excel-ში, შესაძლებელია ასევე პითონშიც, ამასთან, ავტომატურად, უფრო დიდ მასშტაბებში და უფრო სწრაფად |
| 10. | შესავალი სტატისტიკაში -ძირითადი სტატისტიკური ცნებები -აღწერითი სტატისტიკა -პროცესის განაწილება და ძირითადი მახასიათებლები -მონაცემებში პათოლოგიური დონეების განსაზღვრა(outliers) -ჰიპოთეზების შემოწმება -StatsModels-ით ორი მწკრივის ერთგვაროვნების ჰიპოთეზის ტესტირება დავალება : სტატისტიკური ანალიზი | სხვადასხვა ტიპის პროცესი განსხვავებული განაწილებებით აღიწერება, შესაბამისად, ორი განსხვავებული პროცესის მოდელირებისთვის ერთსა და იმავე მიდგომას ვერ გამოვიყენებთ |
| 11. | მანქანური და სტატისტიკური სწავლების შესავალი -Scikit-Learn და StatsModels ბიბლიოთეკების მიმოხილვა -სტატისტიკური და მანქანური სწავლების მიმოხილვა -supervised and unsupervised სწავლება დავალება : ბიბლიოთეკების გამოყენება სხვადასხვა ამოცანების გადასაჭრელად | ვსაუბრობდეთ მონაცემთა ანალიტიკაზე, პროცესების მომავალი მნიშვნელობების განსაზღვრაზე და არ გამოვიყენოთ სტატისტიკური და ახლა უკვე მანქანური სწავლების მეთოდები, ალბათ უტოპიაა |
| 12. | დავალების წარდგენა | |
| 13. | წრფივი რეგრესია -შესავალი წრფივ რეგრესიაში -ერთ და მრავალფაქტორიანი წრფივი რეგრესია Scikit-Learn და StatsModels-ში -Overestimation და Underestimation პრობლემები -მოდელის ვალიდაცია (train-test) -მოდელის შეფასების მეტრიკები( RMSE, MAE, R-squared) -მოდელის გამოყენებით პროგნოზის აგება დავალება : რეგრესიული მოდელის აგება და შეფასება | მონაცემებს შორის ურთიერთკავშირის გამოვლენის და ერთი ცვლადის საშუალებით მეორე ცვლადის პროგნოზირების ყველაზე მარტივი ფორმა სწორედ წფრივი რეგრესიაა |
| 14. | კლასიფიკაციის ალგორითმები -შესავალი კლასიფიკაციის ამოცენებში -ლოჯისტიკური რეგრესია -Decision trees -Random forests -კლასიფიკაციის მოდელის შეფასება(accuracy, precision, recall, F1-score) დავალება : კლასიფიკაციის მოდელის აგება და შეფასება | დისკრეტული ტიპის მიზნობრივი ცვლადისთვის კლასიფიკაციის მოდელები გამოიყენება |
| 15. | კურსის მიმოხილვა და სამომავლო მიმართულებების მიცემა -ფინალური პროექტის შერჩევა -შესრულებულლი ამოცანების განხილვა -სამომავლო დირექტივების მიცემა -მონაწილეთა უკუკავშირი და კურსის შეფასება | თქვენ შეგიძლიათ მონაცემები აქციოთ გადაწყვეტილებად |
| 16. | ფინალური პროექტის წარდგენა |