Для установки необходимых библиотек есть два возможных пути:

1. Устанавливать каждую библиотеку по отдельности через команду медеженера пакетов PIP - pip install. Начиная с Python 3 >= 3.4, PIP уже установлен автоматически. Если по какой-то причине его нет - https://pip.pypa.io/en/stable/installing/

2. Уставить дистрибутив Anaconda с наиболее популярными библиотеками для анализа данных - https://www.anaconda.com/distribution/ (при установке поставить "галочку" рядом с PATH)

3. Основное рабочее пространство курса - Jupyter Notebook. Установить (conda/pip): https://jupyter.org/install

4. Основное средство коммуникации курса - чат в Telegram

В какой бы сфере вам не пришлось работать, умение быстро и качественно анализировать большие объемы информации дает несомненное конкуретное преимущество.

Вот только несколько примеров профессиональных областей для которых анализ больших данных черезвычайно важен:

1. Поиск (задачи ранжирования поисковой выдачи)
2. Рекомендательные системы (рекомендации пользователям информации на основе их предпочтений)
3. Ритейл (динамическое ценообразование, анализ покупок клиентов, управление остатками, гео-задачи на поиск оптимальных мест для открытия торговых точек)
4. Банкинг (кредитный скоринг, анти-фрод, оптимизация портфеля ценных бумаг, выявление неявных связей между компаниями, оптимизация налично-денежного обращения)
5. Телеком (прогноз оттока, next best action, оптимизация покрытия сети)
6. Биоинформатика (предсказание структуры белка)
7. и многое-многое другое :)

• 12 лекций / мастер-классов
• 6-9 заданий по мотивам занятий

1. Табличные данные (Pandas)
2. Матричные вычисления (Numpy)
3. Визуализация данных (Matplotlib, Plotly, Dash)
4. Временные ряды (Pandas)
5. Гео-данные (Folium, GeoPandas, PySAL)
6. Текст (NLTK, WordCloud)
7. Изображения (Skimage, OpenCV, Scipy)
8. Аудио (Librosa, Scipy)
9. Графы (NetworkX, Graphviz)
10. Био-данные (BioPython)
11. Парсинг данных (BeautifulSoup, Selenium, Scrapy)

Python и данные.