Ключевое слово: «python»

В статье рассказывается об элективном курсе по информатике «Основы языка программирования Python» для учащихся, проявивших интерес к информатике и имеющих намерения продолжить образование после школы по направлению информационных технологий.

Статья посвящена методам и способам контроля знаний учащихся по информа-тике, а именно по линии «алгоритмизации и программирования». Автором пред-лагается способ контроля знаний в тестовой форме с генерацией заданий, когда вопросы не просто перемешиваются в базе данных, а каждый раз генерируются самой программой тестирования. Автор делится своим опытом создания тако-го программного решения, обеспечивающего динамическую генерацию тестовых вопросов с множеством других функций. Основным языком программирования при написании программы был выбран Python.

Anaconda является де-факто стандартом для изучения наборов данных в области «науки о данных» (англ. Data Science), предлагая ученым и программистам язык программирования Python в качестве основы для написания алгоритмов обработки «сырых» данных. Так, несмотря на открытость исходного кода большинства компонентов дистрибутива, появляется проблема избыточности средств для небольших проектов или отсутствие гибкости в настройке для очень больших или сложных решений. При поддержке Microsoft был выпущен набор программного обеспечения (ПО) под названием Neuron, включающий редактор кода VS Code и одноименное расширение, поддерживающее разработку в режиме обработки и наглядного представления набора данных. Нами был проведен анализ и сравнение возможностей дистрибутивов, осуществленный на основе эксперимента с простым и сложным проектом с сырым набором данных.

В статье актуализируется практическое изучение инструментов реализации искусственных нейронных сетей в педагогическом вузе, основанное на использовании языка программирования Python. Предлагается осуществлять построение и обучение моделей нейронных сетей средствами программной библиотеки Keras в рамках подготовки будущего учителя информатики к применению технологий искусственного интеллекта. Приводится пример задачи по построению искусственной нейронной сети для аппроксимации данных.

Цель данной статьи – поиск лучшей модели для прогноза временных рядов с учетом минимизации ошибок и высокой точности прогноза. Использован метод сравнительного анализа наиболее популярных «традиционных» эконометрических моделей ARIMA и SARIMA.Алгоритмы и модели реализованы в среде программирования Python с подключенными библиотеками Sklearn, Pandas, Numpy и Statsmodels. В качестве входных наборов данных импортированы данные о продажах товаров за 5 лет в 10 магазинах. Результаты исследования подтверждают превосходство SARIMAмодели, при которой ошибка RMSEна 20% меньше, чем при использовании ARIMA. Сделан вывод, что для повышения качества прогноза временных рядов предпочтительно применять алгоритм на основе модели SARIMA.