Что мы имеем в багаже перед началом изучения Python.

Скажу вам коротко из языка Python на сегодняшний момент не знаю команд.

В тоже самое время в свое время изучил Fortran, Basic и было это очень давно. Потом на дипломном проекте переложил работу ЕС ЭВМ, а конкретнее EC-1055 (да да я еще видел таких монстров) на СУБД Предприятие 7.7 и познакомился с языком программирования где команды пишутся на русском. Потом примерно в 2004 году нашел задачу про Битрикс и решил её только для своего интереса (как получать обновления системы если пробный период закончился). Была такая задача на конкурсе для айтишников по безопасности в самом Битриксе никто решить не смог, но решение лежало на поверхности, как говориться: "Подойди и возьми". Возможно еще не устранили, не проверял. Пробовал писать сайты в конструкторе Joomla не зашло. Изучал команды MySQL. Не пригодились за ненадобностью. Осваивал проект ZenoPoster на нем написал систему прогнозирования ставок на тотализаторе (футбол, хоккей, теннис). Система работала 6 месяцев, разогнала начальный банк в 7 раз а потом рухнула, в НОЛЬ.

Вот что я делал и изучал до открытия раздела: "Основы Python и анализа Данных".

Курс "Основы Python и анализа данных" состоит из 7 тем на 8 часов. Разжеван для ребят начинающих с НУЛЯ и понятен, освоил его часа за 4.

Содержит:

1. ОРу. Moscow Catnamycs

2. ОРу. Ошибки в коде.

3. ОРУ. Переменные и типы данных.

4. ОРу. Как выдвигать гипотезы.

5. ОРу. Что делают специалисты в области данных.

6. ОРу. Машинное обучение.

7. ОРу. Финальный проект.

Следующий раздел:  Полезные инструкции для учебы

Вернуться в оглавление: Я.Практикум

1. Moscow Catnamycs

Вернуться в Начало статьи

   1.1 Вводный урок: Что и как?

   1.2 Первый код. Знакомство.

Познакомились с командой: print('Хочу стать крутым специалистом в сфере данных!')

   1.3 Гоша, коты и роботы.

   1.4 Ключ к CSV таблице.          

import pandas

           pandas.set_option('display.max_columns', None)
           pandas.set_option('display.max_rows', None)

           data = pandas.read_csv('polomki.csv', index_col='Магазин')
          print(data)

   1.5 Что вы только что написали.

      Подробный разбор команд из раздела 1.4

   1.6 Как превратить мысли в код.

   1.7 Зачем виалюзировать данные.

   1.8 Seaborn() и Heatmap().

     Необходимо вспомнить код из предыдущего уроков и познакомиться с пакетом matplotlib.pyplot для создания тепловой карты

 import matplotlib.pyplot as plt
     plt.rcParams['figure.figsize'] = (4, 8) # указываем размер визуализации
     import pandas
    data = pandas.read_csv('polomki.csv', index_col='Магазин')
     import seaborn
    seaborn.heatmap(data)

   1.9 Как понять что не так?

   1.10 Как умножить столбец на 100.

   1.11 Почините данные о поломках.

    Знакомство с умножением   

  import pandas
     data = pandas.read_csv('polomki.csv', index_col='Магазин')
     data['Неделя 14'] = data['Неделя 14'] * 100
     print (data) 

   1.12 Сообщение от Серёги.

   1.13 Новый Heatmap.

     Вывод тепловой карты при этом умножение последнего столбца на 100    

 import matplotlib.pyplot as plt
     import pandas
     import seaborn

    plt.rcParams['figure.figsize'] = (4, 8) # указываем размер визуализации
    data = pandas.read_csv('polomki.csv' , index_col = 'Магазин' )
    data['Неделя 14'] = data['Неделя 14'] * 100
    seaborn.heatmap(data)

   1.14 Выводы.

   1.15 Заключение.

2. Ошибки в коде.

Вернуться в Начало статьи

   2.1 Введение.

   2.2 Знакомство с ошибками.

   2.3 Как читать ошибки.

    Знакомство с ошибками:

    SyntaxError: invalid syntax, NameError: name 'dayz' is not defined, FileNotFoundError: [Errno 2] File b'polomki' does not exist: b'polomki'

    и вывод: 

• Длинные сообщения об ошибках — это не только нормально, но и очень полезно. Мы ещё не раз вернёмся к теме ошибок в Python. В следующем уроке вы научитесь исправлять код, добывая нужную для этого информацию из сообщений об ошибках.

• Ошибиться можно где и как угодно. Запоминать все существующие в Python ошибки совсем не обязательно: рядом с названием ошибки — будь то SyntaxError, NameError или что-нибудь ещё — Python всегда описывает суть проблемы.

   2.4 Лаборатория ошибок.

    Ошибки в числах    

china_population = 1393000000
    united_states_population = 328200000
    russia_population = 144500000

   2.5 Ошибки, еще больше ошибок. 

   2.6 Заключение.

    Подведём итоги

• Python строг: нельзя произвольно поменять буквы в названии переменной, оставить незакрытую кавычку или забыть запятую.
• Python доступно объясняет, где сделана ошибка и в чём она состоит.
• Важно читать название и описание ошибки. Например, NameError говорит, что проблема возникла в названии переменной, а SyntaxError — что не закрыта скобка или забыт какой-то знак.
• Исправлять ошибки нетрудно, если понять логику сообщений Python и немного попрактиковаться.

3. Переменные и типы данных.

Вернуться в Начало статьи

   3.1 Введение

   3.2 Переменные.

   3.3 Лаборатория переменных.

   3.4 Больше переменных.

   3.5 Математика в Python.

   3.6 Типы данных.

   3.7 Лаборатория данных.

   3.8 Больше данных, больше типов.

   3.9 Заключение.

   Заключение

   Строки

• Если сложить два объекта типа string, они склеятся. Такая операция называется конкатенацией.
• Строки нельзя вычитать.
• При возведении строки в степень Python выдаст ошибку.

   Числа

• Если складывать или вычитать целые числа типа int, получится целое число.
• Если делить целое число int или число с плавающей точкой float на целое число, получится число с плавающей точкой.
• От перемены мест слагаемых, как и множителей, результат не меняется.

    Разные типы данных

• Можно применять как одинарные, так и двойные кавычки — это не влияет на результат. Главное — не смешивать их в рамках одного элемента: 'вот так не надо".
• Если умножить строку str на целое число int, получится строка, повторённая int раз. Но если сделать то же самое с дробным числом float, Python выдаст ошибку.
• Нельзя сложить str и число — неважно, целое или дробное.
• Вывести на экран пустую строку можно так: print('').

4. Как выдвигать гипотезы.

Вернуться в Начало статьи

   4.1 Введение.

   Введение

• как выдвигать гипотезы и аналитически рассуждать;
• чем могут быть вызваны ошибки в данных;
• что могут рассказать графики.

   4.2 Как выдвигать гипотезы.

   4.3 Лаборатория аналитического мышления.

   4.4 Почему в данных бывают ошибки.

   4.5 Как читать графики.

   4.6 Заключение.    

    Заключение

Вообще то стоит иногда повторять материал из данной темы, это важно.

5. Что делают специалисты в области данных.

Вернуться в Начало статьи

   5.1 Введение.

   5.2 Ева из геймдева.

   5.3 А чем ты занимаешься?

   5.4 Сыграем в МЕМТРИС.

   5.5 Настоящий специалист.

   5.6 Как уточнять задачи.

   5.7 Уточняем задачи.

   5.8 Декомпозиция.

   5.9 Jupiter Notebook.

   5.10 Проект Евы.

   5.11 Стадии проекта.

   5.12 Чем дело закончилось.

   5.13 проблемы и возможности.

   5.14 А я смогу?

   5.15 Заключение.    

    Заключение

6. Машинное обучение.

Вернуться в Начало статьи

   6.1 Введение.

• Что такое задачи классификации.
• Для чего нужна целевая переменная.
• Как рассчитывается метрика Евклида.
• Как применять метод $k$ ближайших соседей для решения задач классификации.

   6.2 Кто такой специалист по Data Science.

   6.3 И роботы учатся.

   6.4 Как обучить машину.

   6.5 Классифицируем клиентов.

   6.6 Введение в машинное обучение.

   6.7 Базовые термины машинного обучения.

   6.8 Метрика евклида.

    Метрика Евклида

   6.9 Алгоритм K ближайших соседей.

   6.10 Модель kNN. Применение.

    Реализация алгоритма и вывод результата

    import pandas
    from sklearn.neighbors import KNeighborsClassifier

    train_data = pandas.read_csv('Train.csv')  
    test_data = pandas.read_csv('Test.csv')

    X_train = train_data.drop('Segmentation', axis=1)
    y_train = train_data['Segmentation']

    X_test = test_data.drop('Segmentation', axis=1)
    y_test = test_data['Segmentation']

    knn = KNeighborsClassifier(n_neighbors=30)

    knn = knn.fit(X_train,y_train ) # обучите модель по обучающей выборке классифицировать классы

    y_pred =  knn.predict(X_test)# запустите модель строить прогнозы на тестовой выборке

    print(y_pred) # выведите на экран получившиеся предсказания

   Проверка доли правильных ответов

import pandas
from sklearn.neighbors import KNeighborsClassifier
 # импортируйте метрику доли правильных ответов accuracy_score из sklearn.metrics
from sklearn.metrics import accuracy_score

train_data = pandas.read_csv('Train.csv') 
test_data = pandas.read_csv('Test.csv') 

X_train = train_data.drop('Segmentation', axis=1)
y_train = train_data['Segmentation']

X_test = test_data.drop('Segmentation', axis=1)
y_test = test_data['Segmentation']

knn = KNeighborsClassifier(n_neighbors=30) 

knn.fit(X_train, y_train) 

y_pred = knn.predict(X_test) 
accuracy = accuracy_score (y_test,y_pred) # подсчитайте долю правильных ответов предсказанных значений целевой переменной с истинными ответами на тестовой выборке

print("Доля правильных ответов:", accuracy) # выведите на экран получившиеся предсказания

   6.11 Возвращение.

   6.12 Заключение.

• ориентироваться в терминологии машинного обучения: объекты, признаки, целевая переменная, модель, качество;
• формулировать базовую постановку задачи машинного обучения;
• объяснять, как устроен и обучается алгоритм $k$ ближайших соседей (kNN);
• применять алгоритм kNN на данных, используя библиотеку sklearn;
• замерять качество прогнозов обученной модели с помощью метрики accuracy.

7. Финальный проект.

Вернуться в Начало статьи

   7.1 Введение. 

• проведёте полноценное исследование, пройдя весь путь — от изучения данных до проверки гипотез;
• напишете несколько инструкций, чтобы собрать нужные показатели;
• поупражняетесь в построении и анализе хитмэпов;
• примените алгоритм машинного обучения для задачи классификации.

   7.2 Данные снова в деле.

   7.3 Работа с уникальными значениями.

import pandasdata = pandas.read_csv('crops_usa.csv')
# уникальные значения столбца Year
years_unique = data['Year'].unique()
print(years_unique)

   7.4 Группировка и сумма.

import pandas

# читаем файл и записываем в переменную
data = pandas.read_csv('crops_usa.csv')

# 1) группируем данные по году (Year) с помощью groupby('Year')
# 2) достаём из сгруппированной таблицы только столбец с площадью посевов
# 3) суммируем значения в каждой группе с помощью sum()
acres_usa = data.groupby('Year')['Acres'].sum()
print(acres_usa)

import pandas

# читаем файл и записываем в переменную
data = pandas.read_csv('crops_usa.csv')

# Посчитайте суммарные значения Acres за каждый год:
# сгруппируйте данные по Year, выберите столбец Acres и примените sum()
acres_usa = data.groupby('Year')['Acres'].sum()
# Посчитайте суммарные значения Production за каждый год:
# сгруппируйте данные по Year, выберите столбец Production и примените sum()
production_usa = data.groupby('Year')['Production'].sum()

# делим значения столбца production_usa на значения столбца acres_usa
yield_usa = production_usa / acres_usa
print(yield_usa)

   7.5 Изучение данных.

Задача 2

import pandas

data = pandas.read_csv('support_data_ds.csv')

#interval = data['internal'].unique() # примените метод unique() к столбцу data['interval']
interval = data['interval'].unique()
# выведите interval на экран
print (interval)

import pandas

data = pandas.read_csv('support_data_ds.csv')

# посчитайте значения в столбце interval методом value_counts()
interval_count = data['interval'].value_counts()

print(interval_count)

Задача 4

import pandas

data = pandas.read_csv('support_data_ds.csv')

# найдите уникальные значения столбца segment
unique_names = data['segment'].unique()

print(unique_names)

Оценим соотношение значений в датасете по сегментам пользователей. Для этого нужно посчитать строки, которые относятся к каждому сегменту: 'Segment 0', 'Segment 1', 'Segment 2'. Сгруппируем значения по сегментам (один сегмент — одна группа) и в сгруппированных данных выберем столбец с номерами покупателей (customer_id). Затем вызовем метод count(), который посчитает строки в каждой группе.

import pandas

data = pandas.read_csv('support_data_ds.csv')

# группируем, выбираем столбец, считаем значения в каждой группе
segment_counts = data.groupby('segment')['customer_id'].count()
print(segment_counts)

Если не выбрать столбец customer_id после группировки, метод count() посчитает значения в группах для каждого столбца. Получилось бы много дубликатов, то есть повторяющихся значений. Убедитесь в этом сами, запустив код:

import pandas

data = pandas.read_csv('support_data_ds.csv')

# найдите уникальные значения столбца segment
segment_counts = data.groupby('segment').count()
print(segment_counts)

    7.6 Сегментация пользователей.

Группируем значения

1. Сгруппировать данные по столбцу segment с помощью groupby().
2. Выбрать столбец robocats.
3. Суммировать число робокотов в каждом сегменте с помощью sum().

import pandas

data = pandas.read_csv('support_data_ds.csv')

# сгруппируйте значения по столбцу segment,
# выберите столбец robocats
# и вызовите метод sum()

segment_counts = data.groupby('segment')['robocats'].sum()
print(segment_counts)

Задание 1

import pandas

data = pandas.read_csv('support_data_ds.csv')

robocats_counts = data.groupby('segment')['robocats'].sum()
client_counts = data.groupby('segment')['segment'].count() # найдите количество обращений в каждом сегменте
segment_means = robocats_counts/ client_counts # разделите количество робокотов на количество обращений
print(segment_means)

   7.7 Роботы и люди. Сравнение.

Чтобы сравнение было максимально наглядным, для каждого значимого показателя можно построить тепловую карту с дополнительными настройками:

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

# списки со старыми и новыми названиями сегментов, а также периодами
segments_old = ['Segment 0', 'Segment 1', 'Segment 2']
segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

# ненастоящие значения
mean_scores = [[1, 2],
               [3, 4],
               [5, 6]]

# настраиваем и строим хитмэп
seaborn.heatmap(mean_scores,
                xticklabels=intervals,
                yticklabels=segments_new,
                annot=True,
                cmap='RdYlGn')

• xticklabels=intervals — для подписей на оси X взять значения из intervals;
• yticklabels=segments_new — для подписей на оси Y взять значения из segments_new;
• annot=True — добавить на график аннотации, то есть отображать не только цвета «ячеек» хитмэпа, но также их значения;
• cmap='RdYlGn' — цветовая схема для числовой шкалы, в варианте 'RdYlGn' красный соответствует минимальным значениям, а зелёный — максимальным.

Задача 1

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

scores_sum = data.groupby(['segment', 'interval'])['score'].sum() # для каждой пары сегмент-интервал посчитайте сумму оценок 
scores_count =data.groupby(['segment', 'interval'])['score'].count() # для каждой пары сегмент-интервал найдите количество записей

mean_scores = scores_sum/scores_count # посчитайте среднее: разделите сумму оценок на их количество
print(mean_scores)

Построим тепловую карту по настоящим значениям — средним пользовательским оценкам в каждом из сегментов до и после внедрения роботов.

import pandas
import seaborn

data = pandas.read_csv('support_data.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

# для каждой пары сегмент-интервал считаем сумму оценок
scores_sum = data.groupby(['segment', 'interval'])['score'].sum()    
# для каждой пары сегмент-интервал считаем количество записей
scores_count = data.groupby(['segment', 'interval'])['score'].count()

mean_scores = scores_sum / scores_count

# строим тепловую карту для средних значений
# столбец mean_scores получился вложенным из-за группировки по двум столбцам,
# поэтому его нужно «развернуть» методом unstack()
seaborn.heatmap(mean_scores.unstack('interval'),
                xticklabels=intervals,
                yticklabels=segments_new,
                annot=True,
                cmap='RdYlGn')

Задача 2

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

duration_sum = data.groupby(['segment', 'interval'])['duration'].sum() # для каждой пары сегмент-интервал посчитайте сумму продолжительности ответов
duration_count = data.groupby(['segment', 'interval'])['duration'].count() # для каждой пары сегмент-интервал найдите количество записей

mean_duration = duration_sum/duration_count # посчитайте среднее: разделите сумму продолжительности на количество записей
print(mean_duration)

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

# для каждой пары сегмент-интервал считаем сумму продолжительностей
duration_sum = data.groupby(['segment', 'interval'])['duration'].sum()    
# для каждой пары сегмент-интервал считаем количество записей
duration_count = data.groupby(['segment', 'interval'])['duration'].count()

# считаем среднее: делим сумму на количество
mean_duration = duration_sum / duration_count
print(mean_duration)

# строим тепловую карту для длительности ответов
# столбец mean_duration получился вложенным из-за группировки по двум столбцам,
# поэтому его нужно «развернуть» методом unstack()
seaborn.heatmap(mean_duration.unstack('interval'), xticklabels=intervals, yticklabels=segments_new, annot=True, cmap='RdYlGn')

Задача 3

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

# для каждой пары сегмент-интервал посчитайте сумму выданных промокодов
# так как в столбце promo есть только значения 1 и 0, сумма даст количество промокодов
promo_sum = data.groupby(['segment', 'interval'])['promo'].sum()
# для каждой пары сегмент-интервал найдите количество записей
promo_count = data.groupby(['segment', 'interval'])['promo'].count()

mean_promo =promo_sum/promo_count # посчитайте среднее: разделите количество промокодов на количество записей
print(mean_promo)

Теперь посмотрите тепловую карту и проанализируйте среднее количество выданных промокодов.

import pandas
import seaborn

data = pandas.read_csv('support_data_ds.csv')

segments_new = ['Потенциальные клиенты', 'Обычные клиенты', 'VIP-клиенты']
intervals = ['До внедрения роботов', 'После внедрения роботов']

# для каждой пары сегмент-интервал считаем сумму выданных промокодов
# так как в столбце promo есть только значения 1 и 0, то сумма даст количество промокодов
promo_sum = data.groupby(['segment', 'interval'])['promo'].sum()    
# для каждой пары сегмент-интервал считаем количество записей
promo_count = data.groupby(['segment', 'interval'])['promo'].count()

# считаем среднее: делим сумму на количество
mean_promo = promo_sum / promo_count
print(mean_promo)

# строим тепловую карту для количества промокодов
# столбец mean_promo получился вложенным из-за группировки по двум столбцам,
# поэтому его нужно «развернуть» методом unstack()
seaborn.heatmap(mean_promo.unstack('interval'),
                xticklabels=intervals,
                yticklabels=segments_new,
                annot=True,
                cmap='RdYlGn')

Задача 4

• найдите уникальные значения оценок из столбца score;
• посчитайте среднее количество промокодов для каждой оценки.

import pandas
import seaborn

# считываем данные
data = pandas.read_csv('support_data_ds.csv')

# для каждой пары интервал-оценка считаем количество выданных промокодов
sum_promo = data.groupby(['interval', 'score'])['promo'].sum()
# для каждой пары интервал-оценка считаем количество записей
count_promo = data.groupby(['interval', 'score'])['promo'].count()

# формируем список интервалов
intervals = ['До внедрения роботов', 'После внедрения роботов']

scores = sorted(data['score'].unique()) # соберите все уникальные оценки из столбца score

promo_chance = sum_promo/count_promo # разделите количество промокодов на количество записей
print (promo_chance)
#seaborn.heatmap(unstack('promo_chance')) # постройте тепловую карту для среднего количества промокодов;
seaborn.heatmap(promo_chance.unstack('interval'),
                xticklabels=intervals,
                yticklabels=scores,
                annot=True,
                cmap='RdYlGn')

   7.8 Каждому свое.

   7.9 Рекомендации клиентам.

Задача 1

import pandas

 # загрузите файл с данными для обучения 'train_data_cat.csv'
X_train =pandas.read_csv('train_data_cat.csv') 
# загрузите файл с данными для теста 'test_data_cat.csv'
X_test = pandas.read_csv('test_data_cat.csv')
y_train = pandas.read_csv('train_target.csv') # целевая переменная target из обучающей выборки
y_test = pandas.read_csv('test_target.csv') # целевая переменная target из тестовой выборки

print (X_train.shape) # выведите на экран размер X_train
print (X_test.shape) # выведите на экран размер X_test

import pandas
from sklearn.neighbors import KNeighborsClassifier # импортируйте KNeighborsClassifier из sklearn.neighbors

X_train = pandas.read_csv('train_data_cat.csv')
X_test = pandas.read_csv('test_data_cat.csv')

y_train = pandas.read_csv('train_target.csv')
y_test = pandas.read_csv('test_target.csv')

knn = KNeighborsClassifier(n_neighbors=3) # передайте KNeighborsClassifier в качестве аргумента 3 соседа

# напечатайте knn
print (knn)

import pandas
from sklearn.neighbors import KNeighborsClassifier

X_train = pandas.read_csv('train_data_cat.csv')
X_test = pandas.read_csv('test_data_cat.csv')

y_train = pandas.read_csv('train_target.csv')
y_test = pandas.read_csv('test_target.csv')

knn = KNeighborsClassifier(n_neighbors=3)

knn.fit(X_train,y_train) # обучите алгоритм на тренировочных данных

y_pred = knn.predict(X_test) # предскажите целевую переменную на тестовой выборке при помощи обученного алгоритма

# напечатайте y_pred
print (y_pred)

import pandas
from sklearn.neighbors import KNeighborsClassifier
# импортируйте метрику доли правильных ответов accuracy_score из sklearn.metrics
from sklearn.metrics import accuracy_score
X_train = pandas.read_csv('train_data_cat.csv')
X_test = pandas.read_csv('test_data_cat.csv')

y_train = pandas.read_csv('train_target.csv')
y_test = pandas.read_csv('test_target.csv')

knn = KNeighborsClassifier(n_neighbors=3)

knn.fit(X_train, y_train)

y_pred = knn.predict(X_test)

accuracy = accuracy_score(y_test,y_pred) # подсчитайте долю правильных ответов предсказанных значений целевой переменной с истинными ответами на тестовой выборке

print("Accuracy is: ", accuracy)

   7.10 Последствия.

   7.11 Заключение.

В итоге прохождения обучения желание учиться дальше не пропало. В итоге я поверил в свои силы, воспрял духом и оплатил курс Data Science, и стал студентом. При этом параллельно прочитал несколько статей в интернете. Установил себе на компьютер из репозитория Jupiter Netbook, попробовал запустить его и поработать в нем. Возникли некоторые проблемы с его запуском. Снес его полностью и установил полный пакет Anaconda с пакетом Jupiter Netbook. Вот этот пакет мне понравился, надеюсь пригодится в дальнейшем.

До новых встреч.

Вернуться в Начало статьи

Следующий раздел:  Полезные инструкции для учебы

Вернуться в оглавление: Я.Практикум