| engineerklub | Дата: Понедельник, 24.10.2022, 06:17 | Сообщение # 1 |
 Генералиссимус
Группа: Администраторы
Сообщений: 28633
Статус: Offline
| Обработка и анализ данных. ВАРИАНТ 2
Тип работы: Работа Лабораторная
Сдано в учебном заведении: ДО СИБГУТИ
Описание:
Лабораторная работа №1
Введение в Python
Задание 1
Напишите программу для решения примера (по вариантам).
Предусмотрите проверку деления на ноль. Все необходимые переменные пользователь вводит через консоль. Запись |пример| означает «взять по модулю», т.е. если значение получится отрицательным, необходимо сменить знак с минуса на плюс.
Для вычисления примеров вам понадобится библиотека math. Подключить ее можно, записав в ячейке кода: import math.
Задание 2
Разработать программу для вычисления выражения и вывода полученного результата. Соответствующие исходные данные ввести с клавиатуры.
ЛАБОРАТОРНАЯ РАБОТА 2.
Задание. Программа должна создавать файл *.xls, записать в него
сгенерированный случайным образом массив чисел. Затем, с помощью
реализованного алгоритма сортировки, одного из предложенных
преподавателем, записать отсортированную последовательность чисел в
ранее созданный файл *.xls.
Алгоритмы сортировки:
Сортировка выбором
Сортировка вставками
Сортировка “Методом пузырька”
Сортировка Шелла
Быстрая сортировка
ЛАБОРАТОРНАЯ РАБОТА 3.
Задание
Создать программу для работы с базой данных, при этом добавив обработку исключительных ситуаций. База данных должна содержать не менее 5 связанных таблиц. У программы должен быть графический интерфейс (возможность отображать таблицы с помощью библиотеки Pandas, редактировать таблицы с помощью интерактивных форм).
По сохраненным данным в таблицах построить минимум 3 различных аналитических графика, с помощью библиотеки matplotlib.
КОНТРОЛЬНАЯ РАБОТА.
Задание 1. Модели и оценка их эффективности
Цель – получить навыки работы c библиотеками Python для задач анализа данных.
Задачи:
1. Загрузить в рабочую зону предоставленный набор данных.
2. Восстановить пропущенные значения.
3. Построить модель классификации и настроить её гиперпараметры.
4. Отобрать информативные признаки и оценить влияние этого процесса на работу модели.
Задание 2. Исследовательский анализ данных
Цель работы:
получить навыки работы c библиотеками Pandas, Numpy.
Задачи:
1. Установить необходимые библиотеки.
2. Импортировать библиотеки.
3. Загрузить набор данных.
4. Изучить существующие функции и проделать агрегации
Задание 3. Построение системы ИИ с помощью инструментов Scikit Learn для решения задачи классификации
Цель работы:
научиться строить модели классификации.
Задачи:
1. Научиться строить классификаторы.
2. Научиться оценивать его качество.
3. Изучить вклад используемых переменных в решения классификатора.
4. Научиться визуализировать классификатор (дерево решений).
СКАЧАТЬ
|
| |
| |
