Glossary v 3.md

Словарь терминов аналитики данных (200 терминов)

Этот словарь содержит 200 терминов, связанных с Python, SQL, теорией вероятностей, математической статистикой, визуализацией данных, A/B-тестами, машинным обучением, большими данными и BI-инструментами. Он отражает ключевые концепции.

Python

1. .append()

   • Описание: Метод списка в Python, добавляет один элемент в конец списка как целое.
   • Пример: lst = [1, 2]; lst.append(3) → [1, 2, 3].
   • Примечание: Не распаковывает итерируемые объекты, в отличие от extend().

2. .apply()

   • Описание: Метод в Pandas, применяет функцию к каждой строке или столбцу DataFrame.
   • Пример: df['age'].apply(lambda x: x + 1) — увеличивает возраст на 1.

3. .concat()

   • Описание: Функция в Pandas, склеивает DataFrame или Series по осям (строки или столбцы).
   • Пример: pd.concat([df1, df2], axis=0) — объединяет по строкам.

4. .copy()

   • Описание: Метод в Python/Pandas, создает копию объекта, избегая изменений оригинала.
   • Пример: new_lst = lst.copy() или df_copy = df.copy().

5. .extend()

   • Описание: Метод списка в Python, добавляет элементы итерируемого объекта по отдельности в конец списка.
   • Пример: lst = [1, 2]; lst.extend([3, 4]) → [1, 2, 3, 4].

6. .iloc

   • Описание: Метод в Pandas для выбора данных из DataFrame по числовым индексам (позициям).
   • Пример: df.iloc[0, 1] — первая строка, второй столбец.

7. .join()

   • Описание: Метод строк в Python, объединяет элементы итерируемого объекта в строку с разделителем.
   • Пример: " ".join(["Hello", "World"]) → "Hello World".

8. .loc

   • Описание: Метод в Pandas для выбора данных из DataFrame по меткам, поддерживает булевы маски.
   • Пример: df.loc[df['age'] > 30, 'name'] — имена людей старше 30.

9. .merge()

   • Описание: Метод в Pandas, объединяет два DataFrame по общему ключу (аналог SQL JOIN).
   • Пример: pd.merge(df1, df2, on='id', how='inner').

10. .pop()

    • Описание: Метод списка в Python, удаляет и возвращает элемент по индексу.
    • Пример: lst = [1, 2, 3]; lst.pop(1) → возвращает 2, список становится [1, 3].

11. .sort()

    • Описание: Метод списка в Python, сортирует элементы на месте.
    • Пример: lst = [3, 1, 2]; lst.sort() → [1, 2, 3].

12. args

    • Описание: Специальный параметр в функциях Python, принимает произвольное число позиционных аргументов как кортеж.
    • Пример: def func(*args): print(args) → func(1, 2, 3) → (1, 2, 3).

13. boolean

    • Описание: Тип данных в Python, принимает значения True или False.
    • Пример: x = True.

14. class

    • Описание: Шаблон в Python для создания объектов с атрибутами и методами (ООП).
    • Пример: class Person: def __init__(self, name): self.name = name.

15. collections

    • Описание: Модуль в Python, предоставляет специализированные структуры данных (например, Counter, defaultdict).
    • Пример: from collections import Counter; Counter([1, 1, 2]) → {1: 2, 2: 1}.

16. def

    • Описание: Ключевое слово в Python для определения функции.
    • Пример: def add(a, b): return a + b.

17. dict

    • Описание: Тип данных в Python, хранит пары "ключ-значение", где ключи уникальны и хэшируются (O(1) доступ).
    • Пример: d = {"a": 1, "b": 2}.

18. enumerate()

    • Описание: Функция в Python, возвращает пары (индекс, значение) для итерируемого объекта.
    • Пример: list(enumerate(['a', 'b'])) → [(0, 'a'), (1, 'b')].

19. float

    • Описание: Тип данных в Python для чисел с плавающей точкой (десятичных).
    • Пример: x = 3.14.

20. for

    • Описание: Цикл в Python для итерации по последовательности.
    • Пример: for i in range(3): print(i) → 0, 1, 2.

21. groupby()

    • Описание: Метод в Pandas, группирует данные по столбцу для агрегации.
    • Пример: df.groupby('region')['sales'].sum().

22. if/else

    • Описание: Управляющая конструкция в Python для условного выполнения кода.
    • Пример: if x > 0: print("Положительное") else: print("Отрицательное").

23. int

    • Описание: Тип данных в Python для целых чисел.
    • Пример: x = 5.

24. kwargs

    • Описание: Специальный параметр в функциях Python, принимает произвольное число именованных аргументов как словарь.
    • Пример: def func(**kwargs): print(kwargs) → func(a=1, b=2) → {'a': 1, 'b': 2}.

25. lambda

    • Описание: Анонимная функция в Python, создается в одной строке.
    • Пример: f = lambda x: x + 1; f(2) → 3.

26. len()

    • Описание: Функция в Python, возвращает длину объекта (списка, строки и т.д.).
    • Пример: len([1, 2, 3]) → 3.

27. list

    • Описание: Упорядоченный, изменяемый тип данных в Python, допускает дубликаты.
    • Пример: [1, 2, 2, 3].

28. list comprehension

    • Описание: Компактный синтаксис в Python для создания списков вместо цикла.
    • Пример: [x * 2 for x in range(5)] → [0, 2, 4, 6, 8].

29. map()

    • Описание: Функция в Python, применяет функцию к каждому элементу итерируемого объекта.
    • Пример: list(map(lambda x: x + 1, [1, 2, 3])) → [2, 3, 4].

30. np.array

    • Описание: Многомерный массив в NumPy для быстрых операций, фиксированный размер и тип.
    • Пример: np.array([1, 2, 3]) * 2 → [2, 4, 6].

31. range()

    • Описание: Функция в Python, генерирует последовательность чисел.
    • Пример: list(range(3)) → [0, 1, 2].

32. set

    • Описание: Неупорядоченный, изменяемый тип данных в Python, содержит только уникальные элементы.
    • Пример: {1, 2, 3}.

33. sorted()

    • Описание: Функция в Python, возвращает отсортированный список, не изменяя оригинал.
    • Пример: sorted([3, 1, 2]) → [1, 2, 3].

34. str

    • Описание: Тип данных в Python для строк.
    • Пример: s = "Hello".

35. try/except

    • Описание: Конструкция в Python для обработки исключений.
    • Пример: try: 10/0 except ZeroDivisionError: print("Ошибка").

36. tuple

    • Описание: Упорядоченный, неизменяемый тип данных в Python.
    • Пример: (1, 2, 3).

37. while

    • Описание: Цикл в Python, выполняется, пока условие истинно.
    • Пример: i = 0; while i < 3: print(i); i += 1 → 0, 1, 2.

38. zip()

    • Описание: Функция в Python, объединяет элементы итерируемых объектов в кортежи.
    • Пример: list(zip([1, 2], ['a', 'b'])) → [(1, 'a'), (2, 'b')].

SQL

39. AVG()

    • Описание: Агрегатная функция в SQL, вычисляет среднее значение в столбце.
    • Пример: SELECT AVG(salary) FROM employees.

40. COUNT()

    • Описание: Агрегатная функция в SQL, подсчитывает количество строк или значений.
    • Пример: SELECT COUNT(*) FROM employees.

41. CREATE TABLE

    • Описание: Команда в SQL для создания новой таблицы с указанием столбцов и типов данных.
    • Пример: CREATE TABLE users (id INT, name VARCHAR(50)).

42. DELETE

    • Описание: Команда в SQL для удаления строк из таблицы.
    • Пример: DELETE FROM users WHERE id = 1.

43. DISTINCT

    • Описание: Оператор в SQL, убирает дубликаты из результата запроса.
    • Пример: SELECT DISTINCT region FROM sales.

44. DROP TABLE

    • Описание: Команда в SQL для удаления таблицы из базы данных.
    • Пример: DROP TABLE users.

45. EXPLAIN

    • Описание: Команда в SQL, показывает план выполнения запроса для оптимизации.
    • Пример: EXPLAIN SELECT * FROM employees WHERE salary > 50000.

46. FULL OUTER JOIN

    • Описание: Тип объединения в SQL, возвращает все строки из обеих таблиц, с NULL там, где нет совпадений.
    • Пример: SELECT a.name, b.order_id FROM customers a FULL OUTER JOIN orders b ON a.id = b.id.

47. GROUP BY

    • Описание: Оператор в SQL, группирует строки по столбцу для агрегации.
    • Пример: SELECT department, AVG(salary) FROM employees GROUP BY department.

48. HAVING

    • Описание: Оператор в SQL, фильтрует группы после GROUP BY.
    • Пример: SELECT department, COUNT(*) FROM employees GROUP BY department HAVING COUNT(*) > 5.

49. INNER JOIN

    • Описание: Тип объединения в SQL, возвращает только совпадающие строки из обеих таблиц.
    • Пример: SELECT a.name, b.order_id FROM customers a INNER JOIN orders b ON a.id = b.id.

50. INSERT

    • Описание: Команда в SQL для добавления строк в таблицу.
    • Пример: INSERT INTO users (id, name) VALUES (1, 'Иван').

51. LAG

    • Описание: Оконная функция в SQL, возвращает значение предыдущей строки в окне.
    • Пример: LAG(amount) OVER (ORDER BY date).

52. LEAD

    • Описание: Оконная функция в SQL, возвращает значение следующей строки в окне.
    • Пример: LEAD(amount) OVER (ORDER BY date).

53. LEFT JOIN

    • Описание: Тип объединения в SQL, возвращает все строки из левой таблицы и совпадающие из правой (или NULL).
    • Пример: SELECT a.name, b.order_id FROM customers a LEFT JOIN orders b ON a.id = b.id.

54. LIMIT

    • Описание: Оператор в SQL, ограничивает число строк в результате.
    • Пример: SELECT name FROM employees LIMIT 5.

55. MAX()

    • Описание: Агрегатная функция в SQL, возвращает максимальное значение в столбце.
    • Пример: SELECT MAX(salary) FROM employees.

56. MIN()

    • Описание: Агрегатная функция в SQL, возвращает минимальное значение в столбце.
    • Пример: SELECT MIN(salary) FROM employees.

57. ORDER BY

    • Описание: Оператор в SQL, сортирует результат по столбцу (ASC или DESC).
    • Пример: SELECT name FROM employees ORDER BY salary DESC.

58. PARTITION BY

    • Описание: Часть оконной функции в SQL, делит данные на группы для вычислений.
    • Пример: SUM(amount) OVER (PARTITION BY region).

59. RANK()

    • Описание: Оконная функция в SQL, присваивает ранг строкам, одинаковые значения — одинаковый ранг.
    • Пример: RANK() OVER (ORDER BY salary DESC).

60. RIGHT JOIN

    • Описание: Тип объединения в SQL, возвращает все строки из правой таблицы и совпадающие из левой (или NULL).
    • Пример: SELECT a.name, b.order_id FROM customers a RIGHT JOIN orders b ON a.id = b.id.

61. ROW_NUMBER()

    • Описание: Оконная функция в SQL, присваивает уникальный номер каждой строке в окне.
    • Пример: ROW_NUMBER() OVER (ORDER BY salary DESC).

62. SELECT

    • Описание: Основная команда в SQL для извлечения данных из таблицы.
    • Пример: SELECT name, salary FROM employees WHERE salary > 50000.

63. SUM()

    • Описание: Агрегатная функция в SQL, вычисляет сумму значений в столбце.
    • Пример: SELECT SUM(sales) FROM orders.

64. UNION

    • Описание: Оператор в SQL, объединяет результаты двух запросов, убирая дубликаты.
    • Пример: SELECT name FROM employees UNION SELECT name FROM contractors.

65. UPDATE

    • Описание: Команда в SQL для изменения данных в таблице.
    • Пример: UPDATE users SET name = 'Петр' WHERE id = 1.

66. WHERE

    • Описание: Оператор в SQL, фильтрует строки по условию перед агрегацией.
    • Пример: SELECT name FROM employees WHERE salary > 50000.

67. Индексы

    • Описание: Структуры данных в SQL (например, B-дерево), ускоряют поиск по столбцу.
    • Пример: CREATE INDEX idx_salary ON employees(salary).

68. Оконные функции

    • Описание: Функции в SQL, выполняют вычисления над набором строк без сворачивания результата.
    • Пример: SUM(amount) OVER (ORDER BY date).

69. Подзапрос

    • Описание: Вложенный запрос в SQL, выполняется внутри основного запроса.
    • Пример: SELECT name FROM employees WHERE salary > (SELECT AVG(salary) FROM employees).

Теория вероятностей

70. Байесовская теорема

    • Описание: Связывает условные вероятности через формулу ( P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} ).
    • Пример: Вероятность болезни при положительном тесте.

71. Биномиальное распределение

    • Описание: Распределение числа успехов в ( n ) независимых испытаниях с вероятностью ( p ).
    • Формула: ( P(k) = C(n, k) \cdot p^k \cdot (1-p)^{n-k} ).
    • Пример: ( P(2) ) для 3 бросков монеты — 0.375.

72. Вероятность события

    • Описание: Числовая мера возможности наступления события (0–1).
    • Формула: ( P(A) = \frac{\text{благоприятные исходы}}{\text{все исходы}} ).
    • Пример: ( P(\text{6 на кубике}) = 1/6 ).

73. Геометрическое распределение

    • Описание: Число испытаний до первого успеха с вероятностью ( p ).
    • Формула: ( P(k) = (1-p)^{k-1} \cdot p ).
    • Пример: Вероятность первого орла на 3-м броске.

74. Дискретная вероятность

    • Описание: Вероятность для конечного или счетного множества исходов.
    • Пример: Бросок кубика — ( P(1) = 1/6 ).

75. Закон больших чисел

    • Описание: Среднее значение случайной величины приближается к ожиданию при большом ( n ).
    • Пример: Доля орлов в 1000 бросках → 0.5.

76. Комбинаторика

    • Описание: Раздел математики для подсчета комбинаций (например, ( C(n, k) = \frac{n!}{k!(n-k)!} )).
    • Пример: ( C(3, 2) = 3 ) — выбор 2 из 3.

77. Ковариация

    • Описание: Мера совместной изменчивости двух случайных величин.
    • Формула: ( \text{Cov}(X, Y) = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{n-1} ).
    • Пример: Для ( x = [1, 2], y = [2, 4] ).

78. Математическое ожидание (( E(X) ))

    • Описание: Среднее значение случайной величины в долгосрочной перспективе.
    • Формула: ( E(X) = \sum x_i \cdot P(x_i) ).
    • Пример: Для кубика ( E(X) = 3.5 ).

79. Независимость событий

    • Описание: События ( A ) и ( B ) независимы, если ( P(A \cap B) = P(A) \cdot P(B) ).
    • Пример: Бросок кубика и монетки.

80. Непрерывная вероятность

    • Описание: Вероятность для непрерывных случайных величин, задается плотностью.
    • Пример: Нормальное распределение.

81. Нормальное распределение

    • Описание: Непрерывное распределение с колоколообразной формой, характеризуется ( \mu ) и ( \sigma ).
    • Пример: Рост людей (( \mu = 170 , \text{см} )).

82. Объединение событий (( A \cup B ))

    • Описание: Вероятность наступления хотя бы одного из событий.
    • Формула: ( P(A \cup B) = P(A) + P(B) - P(A \cap B) ).
    • Пример: ( P(\text{туз или черви}) = 1/13 + 1/4 - 1/52 ).

83. Пересечение событий (( A \cap B ))

    • Описание: Вероятность одновременного наступления событий ( A ) и ( B ).
    • Пример: ( P(\text{туз и черви}) = 1/52 ).

84. Пуассоновское распределение

    • Описание: Число событий за фиксированное время с интенсивностью ( \lambda ).
    • Формула: ( P(k) = \frac{\lambda^k e^{-\lambda}}{k!} ).
    • Пример: Число звонков в час.

85. Случайная величина

    • Описание: Переменная, значение которой определяется случайным процессом.
    • Пример: Результат броска кубика.

86. Условная вероятность (( P(A|B) ))

    • Описание: Вероятность ( A ) при условии ( B ).
    • Формула: ( P(A|B) = \frac{P(A \cap B)}{P(B)} ).
    • Пример: ( P(\text{дождь}|\text{облака}) = 0.8 ).

87. Центральная предельная теорема (ЦПТ)

    • Описание: Сумма большого числа независимых величин приближается к нормальному распределению при ( n > 30 ).
    • Пример: Среднее 100 бросков кубика — нормальное.

Математическая статистика

88. ( \chi^2 )-тест (Chi-squared test)

    • Описание: Тест для проверки зависимости категориальных переменных или соответствия частот.
    • Формула: ( \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} ).
    • Пример: Зависимость покупки от пола.

89. ANOVA (Analysis of Variance)

    • Описание: Тест для сравнения средних более чем двух групп.
    • Пример: Сравнение продаж по трем регионам.

90. Бутстреп

    • Описание: Метод повторной выборки с возвращением для оценки статистики.
    • Пример: Оценка среднего с малой выборкой.

91. Гипотеза нулевая (( H_0 ))

    • Описание: Утверждение об отсутствии эффекта, проверяется в тестах.
    • Пример: "Средние двух групп равны".

92. Гипотеза альтернативная (( H_1 ))

    • Описание: Утверждение о наличии эффекта, противоположное ( H_0 ).
    • Пример: "Средние двух групп различаются".

93. Дисперсия (( \sigma^2 ), ( s^2 ))

    • Описание: Мера разброса данных относительно среднего.
    • Формула: ( s^2 = \frac{\sum (x_i - \bar{x})^2}{n-1} ) (выборка).
    • Пример: Для [1, 2, 3, 4] ≈ 1.67.

94. Доверительный интервал (CI)

    • Описание: Диапазон, где с заданной вероятностью лежит истинное значение.
    • Формула: ( \bar{x} \pm z \cdot \frac{s}{\sqrt{n}} ).
    • Пример: Для ( \bar{x} = 10 ) — [9.22, 10.78].

95. Квантиль

    • Описание: Значение, ниже которого находится заданная доля данных (например, 25% — первый квантиль).
    • Пример: Медиана — 50-й квантиль.

96. Коэффициент корреляции Пирсона

    • Описание: Мера линейной зависимости между переменными (-1 до 1).
    • Пример: Для ( x = [1, 2, 3], y = [2, 4, 6] ) → 1.0.

97. Коэффициент Спирмена

    • Описание: Ранговая корреляция для нелинейных зависимостей.
    • Пример: Для упорядоченных рангов.

98. Куртозис (Kurtosis)

    • Описание: Мера "остроты" распределения (высокий или плоский пик).
    • Пример: Нормальное распределение — куртозис ≈ 0.

99. Медиана

    • Описание: Срединное значение в отсортированном наборе данных.
    • Пример: [1, 2, 100] → 2.

100. Мода
     - Описание: Наиболее часто встречающееся значение в наборе данных.
     - Пример: [1, 2, 2, 3] → 2.

101. Мощность теста (1 - ( \beta ))
     - Описание: Вероятность верно отвергнуть ложную ( H_0 ).
     - Пример: 0.8 — 80% шанс обнаружить эффект.

102. Ошибка I рода
     - Описание: Ложное отвержение верной ( H_0 ) (( \alpha )).
     - Пример: Ошибка 5% при ( \alpha = 0.05 ).

103. Ошибка II рода (( \beta ))
     - Описание: Неверное принятие ложной ( H_0 ).
     - Пример: Пропуск эффекта при низкой мощности.

104. Сглаживание
     - Описание: Метод уменьшения шума в данных (например, скользящее среднее).
     - Пример: Среднее по 3 точкам.

105. Скошенность (Skewness)
     - Описание: Мера асимметрии распределения (положительная или отрицательная).
     - Пример: Распределение с длинным правым "хвостом" — положительная.

106. Среднее (( \bar{x} ))
     - Описание: Сумма значений, деленная на их число.
     - Пример: [1, 2, 100] → 34.33.

107. Стандартное отклонение (( \sigma ), ( s ))
     - Описание: Квадратный корень из дисперсии, мера разброса.
     - Формула: ( s = \sqrt{s^2} ).
     - Пример: Для [1, 2, 3, 4] ≈ 1.29.

108. t-тест
     - Описание: Тест для проверки различий между средними двух групп.
     - Пример: t-статистика = -2.88, p = 0.045 → значимо.

109. p-value
     - Описание: Вероятность получить результат при верной ( H_0 ).
     - Пример: p < 0.05 → отвергаем ( H_0 ).

110. ( R^2 ) (коэффициент детерминации)
     - Описание: Доля дисперсии зависимой переменной, объясненная моделью (0–1).
     - Пример: ( R^2 = 0.8 ) — 80% объяснено.

111. Уровень значимости (( \alpha ))
     - Описание: Порог вероятности ошибки I рода, обычно 0.05.
     - Пример: ( \alpha = 0.05 ) — 5% риск.

112. Шапиро-тест
     - Описание: Тест на нормальность распределения, p > 0.05 → нормальность.
     - Пример: Для нормальных данных p ≈ 0.5.

Визуализация

113. Axes
     - Описание: Объект в Matplotlib, представляющий область графика (оси, линии).
     - Пример: fig, ax = plt.subplots().

114. bar (Matplotlib)
     - Описание: Столбчатая диаграмма для категориальных данных с заданными высотами.
     - Пример: plt.bar(['A', 'B'], [10, 12]).

115. Boxplot (Seaborn)
     - Описание: Ящик с усами для отображения распределения данных (медиана, квартили, выбросы).
     - Пример: sns.boxplot(x='group', y='value', data=df).

116. Figure
     - Описание: Объект в Matplotlib, контейнер для графиков.
     - Пример: plt.figure(figsize=(10, 6)).

117. hist (Matplotlib)
     - Описание: Гистограмма для числовых данных, показывает частотность.
     - Пример: plt.hist([1, 2, 2, 3], bins=3).

118. Heatmap (Seaborn)
     - Описание: Тепловая карта для визуализации матриц (например, корреляций).
     - Пример: sns.heatmap(df.corr(), annot=True).

119. Line plot (Matplotlib)
     - Описание: Линейный график для отображения трендов во времени или по оси.
     - Пример: plt.plot(x, y).

120. Scatter plot (Matplotlib)
     - Описание: Точечный график для отображения отношений между двумя переменными.
     - Пример: plt.scatter(x, y).

121. Subplot
     - Описание: Метод в Matplotlib для создания нескольких графиков в одной фигуре.
     - Пример: plt.subplot(1, 2, 1) — первый из двух графиков.

122. Violin plot (Seaborn)
     - Описание: График, показывающий распределение данных с плотностью.
     - Пример: sns.violinplot(x='group', y='value', data=df).

A/B-тесты и машинное обучение

123. A/B-тест
     - Описание: Эксперимент, сравнивающий две версии (A и B) для выбора лучшей по метрике.
     - Пример: Конверсия A = 10%, B = 12%.

124. Accuracy
     - Описание: Доля верно предсказанных значений в классификации.
     - Формула: ( \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{Всего}} ).
     - Пример: 0.9 — 90% верно.

125. Bias
     - Описание: Смещение модели, ошибка из-за упрощения предположений.
     - Пример: Линейная модель на нелинейных данных.

126. Cross-validation (Кросс-валидация)
     - Описание: Метод оценки модели, разбивающий данные на ( k ) фолдов для обучения и тестирования.
     - Пример: 5-fold CV.

127. F1-score
     - Описание: Гармоническое среднее precision и recall для оценки классификации.
     - Формула: ( F1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} ).
     - Пример: 0.85.

128. Feature
     - Описание: Признак или переменная в модели ML.
     - Пример: "Возраст" в регрессии.

129. Gradient Descent
     - Описание: Метод оптимизации в ML для минимизации функции потерь.
     - Пример: Обновление весов в регрессии.

130. Hyperparameter
     - Описание: Параметр модели, задаваемый до обучения (например, глубина дерева).
     - Пример: max_depth в дереве решений.

131. K-Means
     - Описание: Алгоритм кластеризации, группирующий данные в ( k ) кластеров.
     - Пример: Сегментация клиентов.

132. Loss Function
     - Описание: Функция, измеряющая ошибку предсказаний модели.
     - Пример: MSE в регрессии.

133. Mean Squared Error (MSE)
     - Описание: Средняя квадратичная ошибка между предсказаниями и истинными значениями.
     - Формула: ( \text{MSE} = \frac{1}{n} \sum (y_i - \hat{y}_i)^2 ).
     - Пример: MSE = 0.05.

134. Overfitting
     - Описание: Модель слишком подстраивается под обучающие данные, плохо обобщает.
     - Пример: Низкая ошибка на трейне, высокая на тесте.

135. Precision
     - Описание: Доля верно предсказанных положительных среди всех предсказанных положительных.
     - Формула: ( \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} ).
     - Пример: 0.9.

136. Recall
     - Описание: Доля верно предсказанных положительных среди всех истинных положительных.
     - Формула: ( \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} ).
     - Пример: 0.85.

137. Regularization
     - Описание: Метод в ML для предотвращения переобучения, добавляет штраф к функции потерь.
     - Пример: L1 (Lasso), L2 (Ridge).

138. ROC Curve
     - Описание: Кривая, показывающая баланс между TPR и FPR в классификации.
     - Пример: AUC = 0.9 — высокое качество.

139. Train/Test Split
     - Описание: Разделение данных на обучающую и тестовую выборки для оценки модели.
     - Пример: 80% — train, 20% — test.

140. Uplift
     - Описание: Относительное изменение метрики между группами в A/B-тесте.
     - Формула: ( \text{Uplift} = \frac{\text{B} - \text{A}}{\text{A}} \cdot 100% ).
     - Пример: 20% роста конверсии.

141. Variance
     - Описание: Чувствительность модели к изменениям в обучающих данных.
     - Пример: Высокая дисперсия → переобучение.

Дополнительные термины (BI, большие данные, аналитика)

142. API
     - Описание: Интерфейс для взаимодействия между программами (например, получение данных).
     - Пример: REST API для погоды.

143. ARIMA
     - Описание: Модель для анализа и прогнозирования временных рядов (авторегрессия, интегрирование, скользящее среднее).
     - Пример: Прогноз продаж.

144. Big Data
     - Описание: Обработка больших объемов данных, требующих специальных технологий (Hadoop, Spark).
     - Пример: Анализ логов сайта.

145. Business Intelligence (BI)
     - Описание: Технологии и инструменты для анализа бизнес-данных (например, Power BI, Tableau).
     - Пример: Дашборд продаж.

146. Clustering
     - Описание: Метод группировки данных в кластеры без меток.
     - Пример: K-Means для сегментации.

147. CSV
     - Описание: Формат файла с данными, разделенными запятыми.
     - Пример: id,name;1,Иван.

148. Dashboard
     - Описание: Интерактивная панель в BI-инструментах для визуализации метрик.
     - Пример: Дашборд в Power BI с продажами.

149. Data Cleaning
     - Описание: Процесс удаления ошибок, пропусков и выбросов из данных.
     - Пример: Заполнение NaN средним.

150. Data Lake
     - Описание: Хранилище необработанных данных в исходном формате.
     - Пример: Хранение логов в облаке.

151. Data Warehouse
     - Описание: Хранилище структурированных данных для аналитики.
     - Пример: Snowflake для отчетов.

152. DataFrame
     - Описание: Табличная структура данных в Pandas.
     - Пример: df = pd.DataFrame({'A': [1, 2]}).

153. Decision Tree
     - Описание: Алгоритм ML, разбивает данные на ветви для классификации или регрессии.
     - Пример: Прогноз оттока клиентов.

154. Dimensionality Reduction
     - Описание: Уменьшение числа признаков в данных (например, PCA).
     - Пример: Сжатие признаков до 2D.

155. EDA (Exploratory Data Analysis)
     - Описание: Исследовательский анализ данных для выявления закономерностей.
     - Пример: Построение гистограмм.

156. ETL (Extract, Transform, Load)
     - Описание: Процесс извлечения, преобразования и загрузки данных в хранилище.
     - Пример: Загрузка данных в Data Warehouse.

157. Feature Engineering
     - Описание: Создание новых признаков из существующих данных для улучшения модели.
     - Пример: Добавление "возрастной группы".

158. Hadoop
     - Описание: Фреймворк для обработки больших данных с распределенной файловой системой (HDFS).
     - Пример: Анализ терабайтов логов.

159. JSON
     - Описание: Формат обмена данными, основанный на ключ-значение.
     - Пример: {"name": "Иван", "age": 30}.

160. KPI (Key Performance Indicator)
     - Описание: Клюевой показатель эффективности для оценки успеха.
     - Пример: Конверсия продаж.

161. L1 Regularization (Lasso)
     - Описание: Метод регуляризации в ML, добавляет сумму абсолютных значений весов к функции потерь.
     - Пример: Уменьшение числа признаков.

162. L2 Regularization (Ridge)
     - Описание: Метод регуляризации в ML, добавляет сумму квадратов весов к функции потерь.
     - Пример: Сглаживание коэффициентов.

163. Logistic Regression
     - Описание: Модель для бинарной классификации, предсказывает вероятности через сигмоиду.
     - Пример: ( P(y=1|x) ) для ( x = [1, 2, 3] ).

164. Machine Learning (ML)
     - Описание: Область ИИ, обучающая модели на данных для предсказаний.
     - Пример: Прогноз продаж.

165. Normalization
     - Описание: Приведение данных к диапазону (например, 0–1).
     - Пример: ( x' = \frac{x - x_{\text{min}}}{x_{\text{max}} - x_{\text{min}}} ).

166. Outlier
     - Описание: Выброс — значение, сильно отличающееся от остальных.
     - Пример: 100 в [1, 2, 3, 100].

167. Pandas
     - Описание: Библиотека Python для анализа и манипуляции данными.
     - Пример: import pandas as pd.

168. Pipeline
     - Описание: Последовательность шагов обработки данных в ML.
     - Пример: Очистка → нормализация → модель.

169. Power BI
     - Описание: Инструмент Microsoft для визуализации и анализа данных.
     - Пример: Дашборд с KPI.

170. Preprocessing
     - Описание: Подготовка данных перед анализом (очистка, кодирование).
     - Пример: Заполнение пропусков.

171. Random Forest
     - Описание: Ансамблевый метод ML, использующий множество деревьев решений.
     - Пример: Классификация клиентов.

172. Random Seed
     - Описание: Фиксация генератора случайных чисел для воспроизводимости.
     - Пример: np.random.seed(42).

173. Regression
     - Описание: Метод предсказания непрерывных значений.
     - Пример: Линейная регрессия.

174. SQL
     - Описание: Язык для работы с реляционными базами данных.
     - Пример: SELECT * FROM users.

175. Series
     - Описание: Одномерная структура данных в Pandas.
     - Пример: s = pd.Series([1, 2, 3]).

176. Spark
     - Описание: Фреймворк для обработки больших данных с распределенными вычислениями.
     - Пример: Анализ больших логов.

177. Standardization
     - Описание: Приведение данных к стандартному виду (( z = \frac{x - \mu}{\sigma} )).
     - Пример: Преобразование в z-оценки.

178. Supervised Learning
     - Описание: Тип ML с метками в обучающих данных.
     - Пример: Регрессия, классификация.

179. Tableau
     - Описание: Инструмент для визуализации данных и создания дашбордов.
     - Пример: Интерактивный график продаж.

180. Time Series
     - Описание: Последовательность данных, упорядоченная по времени.
     - Пример: Продажи по дням.

181. Unsupervised Learning
     - Описание: Тип ML без меток, для поиска структуры в данных.
     - Пример: Кластеризация.

182. Vectorization
     - Описание: Выполнение операций над массивами в NumPy без циклов.
     - Пример: np.array([1, 2]) + 1 → [2, 3].

183. Z-score
     - Описание: Мера отклонения значения от среднего в единицах стандартного отклонения.
     - Формула: ( z = \frac{x - \mu}{\sigma} ).
     - Пример: ( z = 1 ) — на одно ( \sigma ) выше среднего.

184. Aggregation
     - Описание: Сведение данных к одной метрике (например, сумма, среднее).
     - Пример: df.groupby('region')['sales'].sum().

185. Binning
     - Описание: Разбиение непрерывных данных на интервалы (бины).
     - Пример: Разделение возраста на группы [0-20, 20-40].

186. Categorical Data
     - Описание: Данные с ограниченным набором значений (категории).
     - Пример: Пол (мужской, женский).

187. Confidence Level
     - Описание: Вероятность, что доверительный интервал содержит истинное значение.
     - Пример: 95% доверительный уровень.

188. Confusion Matrix
     - Описание: Таблица для оценки классификации (TP, TN, FP, FN).
     - Пример: Матрица для предсказания оттока.

189. Correlation
     - Описание: Мера связи между двумя переменными.
     - Пример: Пирсон = 0.9 — сильная линейная связь.

190. Data Transformation
     - Описание: Изменение формы или масштаба данных (например, логарифмирование).
     - Пример: ( log(x) ) для скошенных данных.

191. Explained Variance
     - Описание: Доля общей дисперсии, объясненная моделью.
     - Пример: ( R^2 ) в регрессии.

192. False Negative (FN)
     - Описание: Ошибка классификации, когда положительный класс предсказан как отрицательный.
     - Пример: Болезнь не обнаружена.

193. False Positive (FP)
     - Описание: Ошибка классификации, когда отрицательный класс предсказан как положительный.
     - Пример: Ложная тревога.

194. Feature Selection
     - Описание: Выбор наиболее важных признаков для модели.
     - Пример: Удаление низкокоррелирующих переменных.

195. Grid Search
     - Описание: Метод поиска оптимальных гиперпараметров модели.
     - Пример: Поиск лучшего C для SVM.

196. Imputation
     - Описание: Заполнение пропущенных значений в данных.
     - Пример: Замена NaN средним.

197. One-Hot Encoding
     - Описание: Преобразование категориальных данных в бинарные столбцы.
     - Пример: "Пол" → [0, 1] для "мужской".

198. Outlier Detection
     - Описание: Метод поиска аномалий в данных.
     - Пример: Использование IQR.

199. Sampling
     - Описание: Выбор подмножества данных для анализа.
     - Пример: Случайная выборка 10%.

200. Statistical Significance
     - Описание: Указывает, что результат не случаен (p < ( \alpha )).
     - Пример: p = 0.03 < 0.05 → значимо.