Только для программистов Python!
1. Сгенерировать вектор длины 1000 элементов, элементами которого являются реализации нормально распределенной случайной величины с заданными параметрами (математическое ожидание и стандартное отклонение выбрать случайным образом). Подсчитать основные описательные характеристики: минимум и максимум, мат. ожидание, дисперсия, стандарnное отклонение, квантили уровней 0.95 и 0.99, медиана, коэффициенты асимметрии, эксцесса. Визуализировать полученные выборки, используя гистограммы. Построить оценки плотностей и визуализировать их. Исследовать отклонение статистического мат. ожидания от заданного при росте объема выборки.
2. Подготовить исходные данные. Загрузить их в dataframe. Рассчитать описательные характеристики по каждой переменной. Построить диаграммы рассеяния. Создать новую качественную переменную. Построить гистограммы.
Оставлять заявки могут только авторизованные пользователи.
Я занимаюсь анализом данных при помощи Python. Я так понимаю это можно делать с помощью Pandas.
И там есть пункт про интерфейс программы. Это графический интерфейс? Если да то цена другая. Если что пишите. Буду ждать
более четырех лет разработки на Ruby, Python, Golang, C++, JavaScript. Удачно вывел стартап на стадию MVP на AWS и микросервисной архитектуре. Называется swapzilla.co. Это криптоброкер, который объединяет вообще все криптобиржи. Через него можно поставить так называемы smart ordrer на ряд бирж - брать прибыль на разнице между курсами на разных биржах. Smart odrer представлял из себя набор функций машинного обучения. Предполагал так же прослойку, которая перманентно давала консистентные данные для машины. Это был вопрос Data Engineering'a. Помимо есть глубокое понимании квантовой экономической теории, полит-экономии, теории игр, либертарианского паттернализма. Пишите - дам резюме!
Введение в анализ данных
Реклама
Введение в анализ данных
Только для программистов Python!
1. Сгенерировать вектор длины 1000 элементов, элементами которого являются реализации нормально распределенной случайной величины с заданными параметрами (математическое ожидание и стандартное отклонение выбрать случайным образом). Подсчитать основные описательные характеристики: минимум и максимум, мат. ожидание, дисперсия, стандарnное отклонение, квантили уровней 0.95 и 0.99, медиана, коэффициенты асимметрии, эксцесса. Визуализировать полученные выборки, используя гистограммы. Построить оценки плотностей и визуализировать их. Исследовать отклонение статистического мат. ожидания от заданного при росте объема выборки.
2. Подготовить исходные данные. Загрузить их в dataframe. Рассчитать описательные характеристики по каждой переменной. Построить диаграммы рассеяния. Создать новую качественную переменную. Построить гистограммы.