A) Імпорт та експорт даних

B) Створення 3D моделей

C) Візуалізація

D) Очистка даних

A) Розробка мобільних застосунків з графічним інтерфейсом

B) Інтерактивне програмування з можливістю поєднання коду, тексту, зображень та графіків

C) Автоматизоване тестування програмного забезпечення

D) Побудова клієнт-серверних архітектур для розподілених систем

А) Інтерактивний код

В) Підтримка різних мов програмування

С) Поєднання коду з поясненнями

D) Візуалізація даних

А) Для зручного керування бібліотеками, пакетами та середовищами, необхідними для аналізу даних

В) Для централізованого управління доступом до баз даних

C) Для розгортання вебсервісів із REST API

D) Для забезпечення високопродуктивних обчислень на сервері

A) Дозволяє виконувати Python-код у браузері

B) Використовується для створення інтерактивних графіків

C) Дозволяє форматувати текст, додавати заголовки та створювати пояснення

D) Служить для підключення зовнішніх баз даних

A) Можливість виконувати код частинами

B) Автоматичне генерування PDF-звітів

C) Підтримка кількох мов програмування

D) Одночасне виконання всіх клітинок без перегляду проміжних результатів

A) Одновимірний масив даних, схожий на список у Python

B) Двовимірна таблиця даних, схожа на таблицю в Excel або базі даних

C) Фрейм для збереження функцій та методів

D) Об'єкт, що використовується виключно для графічної візуалізації даних

A) Рядки (Records)

B) Стовпці (Columns)

C) Індекси (Index)

D) Сторінки (Pages)

A) Передача масиву у функцію DataFrame

B) Імпорт таблиці з HTML

C) Передача словника, де ключі — назви стовпців, а значення — списки

D) Зчитування JSON-файлу

A) df.loc[2, 'Column-2']

B) df[1, 'Column-2']

C) df.at['Column-2']

D) df['Column-2'][1]

A) df.add_column('New', [1, 2, 3])

B) df['New-Column'] = [100, 200, 300]

C) df.insert_column('New', values=[1,2,3])

D) df.append(['New-Column', [100, 200, 300]])

A) df.filter('Column-k' > 15)

B) df[df['Column-k'] = 15]

C) df.where('Column-k' > 15)

D) df.query('Column-k > 15')

A) df.first()

B) df.head()

C) df.show()

D) df.preview()

A) df.describe()

B) df.mean()

C) df.groupby()

D) df.compile()

D) df.partition()

C) df.aggregate()

B) df.groupby()

A) df.group_by()

B) df.merge()

D) df.combine()

A) df.concat()

C) df.join()

A) Процес зберігання даних у базах даних

B) Процес виявлення прихованих закономірностей та знань у великих обсягах даних

C) Процес створення візуалізацій для презентацій

D) Процес видалення неактуальних записів із таблиць

A) Тому що їх завжди потрібно зберігати у хмарі

B) Вони швидко застарівають

C) Без аналізу вони не дають практичного результату

D) Вони не мають жодної вартості, якщо не надаються у вигляді графіків

A) Неоднорідна структура даних

B) Швидке очищення та інтерпретація

C) Дані можуть містити шум

D) Вибір правильного методу аналізу

D) Вона дозволяє працювати тільки з текстовими даними

C) Вона автоматично генерує графіки для даних

B) Вона забезпечує швидкі обчислення з багатовимірними масивами

A) Вона дозволяє зберігати дані у форматі JSON

D) TensorFlow

C) Scikit-learn

B) Matplotlib

A) NumPy

A) Застосування виключно до фінансової галузі

B) Жорстка послідовність етапів

C) Ітеративність та можливість повертатися до попередніх етапів

D) Використання виключно класифікаційних алгоритмів

A) Розуміння даних (Data Understanding)

B) Підготовка даних (Data Preparation)

C) Розуміння бізнесу (Business Understanding)

D) Оцінювання (Evaluation)

A) Моделювання (Modeling)

B) Підготовка даних (Data Preparation)

C) Розуміння даних (Data Understanding)

D) Впровадження (Deployment)