Курс по аналитике данных: От Excel до Python и Power BI

Что вы сможете после курса

• Строить сложные формулы и сводные таблицы в Excel, включая ВПР, ГПР и условное форматирование
• Писать код на Python — от переменных и циклов до классов, наследования и обработки исключений
• Обрабатывать массивы и таблицы данных библиотеками NumPy и Pandas
• Составлять SQL-запросы для выборки, агрегации и изменения данных в реляционных базах
• Читать и записывать данные в форматах CSV, JSON, Excel, HDF5 и базах SQLite, PostgreSQL, MongoDB
• Строить отчёт в Power BI со связями между таблицами по модели «Звезда» и внешними источниками данных

Кому подойдёт курс

Курс не подойдёт тем, кто ищет практику машинного обучения или разработку кластерных решений для больших данных — эти темы курс только обозначает, не разбирая с нуля.

Как проходит обучение

• Каждый новый урок начинается с разбора домашнего задания предыдущего — Ошибки в решении разбираются сразу, а не копятся до конца курса
• Материал закрепляется сквозной практикой — от учёта сотрудников в Excel до модели логистики склада на Python — Вы применяете инструмент на связной задаче, а не на разрозненных примерах
• Мастер-класс по воронке продаж разбирает один сквозной кейс от сырого журнала посещений до причины падения конверсии — Вы видите, как работа аналитика выглядит целиком — от сырых данных до вывода
• Параллельно разбираются Excel, Python, SQL и Power BI — Вы осваиваете весь набор инструментов дата-аналитика, а не один из них
• Отдельный блок разбирает типичные способы манипуляции цифрами в чужих отчётах — Вы умеете проверить чужую статистику, а не только строить свою

Что понадобится

• Excel любой актуальной версии
• Python: дистрибутив Anaconda и редактор PyCharm Community — бесплатно
• Power BI Desktop — бесплатная версия

Почему самому обычно не выходит

Самостоятельно человек обычно осваивает один инструмент — либо Excel, либо Python — и застревает на стыке: данные лежат в базе, а привычные формулы Excel с ней не работают, или код на Python есть, но нет SQL-запроса, чтобы забрать из базы нужные строки.

Без структуры трудно понять, какая часть стека вообще нужна: инструменты Big Data вроде Hadoop и Spark выглядят обязательными, хотя для большинства задач дата-аналитика достаточно Excel, Python, SQL и Power BI, а работа с кластерами нужна только в отдельных случаях.

Отдельная сложность — читать чужие отчёты и презентации критически: манипуляция средними значениями, масштабом графика или процентными пунктами вместо процентов встречается часто, и без разбора конкретных приёмов такие искажения остаются незаметными.

Что изменится

Как устроен путь

1. Excel и данные Формулы и функции — от простейших до вложенных условий, сводные таблицы и визуализация — закладывают базовую работу с таблицами данных.
2. Python с нуля Установка Anaconda и PyCharm, переменные, циклы, функции, классы и исключения доводятся до сквозной практики — симуляции логистики склада.
3. SQL и хранилища Запросы SELECT, JOIN и группировка разбираются на реляционных базах, а чтение и запись данных — на форматах CSV, JSON, HDF5 и базах SQLite, PostgreSQL, MongoDB.
4. Статистика и отчёт для заказчика Распределения, корреляции и доверительные интервалы, разбор манипуляций статистикой и сборка отчёта в Power BI с моделью «Звезда» завершают курс.

Программа курса

183 урока · 29 модулей · 33 часа 19 минут видео · Весь путь — от таблиц Excel до отчёта в Power BI — с практикой на каждом шаге.

• Профессия дата-аналитика без прикрас 1 урок

  Раздел показывает место дата-аналитика среди смежных профессий — дата-инженера и специалиста по машинному обучению — и разбирает типичные рабочие задачи: выгрузку отчёта, проверку гипотезы, сбор сегмента для рекламной кампании.

  • Профессия дата-аналитика и обзор курса7:53

    Урок показывает переход от интуитивных решений к подходу на основе данных и место дата-аналитика среди смежных профессий обработки данных — сбора данными занимаются инженеры, а сложные задачи передаются специалистам по машинному обучению. На примере подбора аудитории для рекламы разбираются типичные задачи аналитика: выгрузка отчёта из хранилища, проверка гипотезы, сбор сегмента для рекламной кампании. Перечисляются темы курса: Excel, статистика и теория вероятностей, интернет-аналитика, Python, SQL и Power BI.

• Как устроены данные, базы и дашборды 5 уроков

  Раздел вводит понятия данных, информации и знаний, разбирает устройство реляционных и нереляционных баз, ETL и OLAP-кубы, а также сравнивает Tableau и Power BI как инструменты построения дашбордов.

  • Введение и основные понятия1:35

    Урок вводит понятия данных, информации и знаний и намечает темы модуля: базы данных, файлы, хранилища и озёра данных, а также дашборды.

  • Данные, их хранилища и базы20:39

    Урок систематизирует места хранения данных — от операционных систем и хранилищ до баз данных — и разбирает устройство реляционной модели, ER-модели, СУБД, OLAP-кубов и нереляционных хранилищ.

  • Инструменты для работы с базами данных5:55

    Урок сравнивает Python и визуальные средства доступа к базам данных по их возможностям и ограничениям и показывает интерфейс одного из визуальных инструментов на примере подключения и построения ER-диаграммы.

  • Неструктурированные данные и инструменты работы с ними14:29

    Урок разбирает форматы CSV и JSON для передачи данных между системами, типичные ошибки Excel при импорте CSV и критерии выбора инструмента — Excel, Python или база данных — в зависимости от объёма и регулярности задачи.

  • Дашборды6:02

    Урок объясняет отличие дашборда от обычного отчёта и сравнивает две системы визуализации данных — Tableau и Power BI — по возможностям, простоте освоения и стоимости.

• Первые формулы и функции Excel 2 урока

  Раздел разбирает простейшие формулы и основные функции Excel — отправную точку для дальнейшей работы с таблицами данных.

  • Простейшие формулы40:13

    Вводим понятие формулы как «чёрного ящика» с входными и выходными значениями на примере таблицы сотрудников: базовые арифметические формулы, автозаполнение, объединение текста через амперсанд и разница между относительными и абсолютными ссылками на ячейки.

  • Основные функции19:18

    Знакомимся с именованными функциями Excel — СУММ, СРЗНАЧ, МИН и МАКС: как вставлять их через «Автосумму» или вручную указывать диапазон ячеек, и как находить английские эквиваленты русских названий формул.

• Функции ВПР, ГПР и ЕСЛИ 5 уроков

  Раздел показывает способы ввода функций через мастер функций, функцию ВПР с интервальным просмотром, функцию ГПР, условную функцию ЕСЛИ и текстовые формулы.

  • Способы ввода функций. Мастер функций, функция ВПР30:37

    Три способа ввода функций в Excel — вручную, по категориям и через мастер функций — и разница между копированием формулы и копированием только значения. Отдельно разбирается функция ВПР: поиск значения по таблице соответствия с точным совпадением и закреплением диапазона абсолютными ссылками.

  • Функция ВПР с интервальным просмотром10:40

    Функция ВПР с интервальным просмотром: вместо точного совпадения формула подбирает значение по попаданию числа в диапазон, например при расчёте скидки по сумме покупок. Разбирается разница с точным поиском и ошибка «нет данных», возникающая при неверном режиме.

  • Функция ГПР7:41

    Функция ГПР — горизонтальный аналог ВПР с тем же набором аргументов, но поиском по строкам, а не по столбцам. На примере таблицы заказов с шапкой слева показывается поиск данных по коду заказа с фиксацией диапазона абсолютными ссылками.

  • Функция ЕСЛИ7:16

    Условная функция ЕСЛИ, которая возвращает одно из двух значений в зависимости от логического выражения. На примере расчёта премии по отработанным часам разбирается порядок аргументов: условие, значение при истине и значение при лжи.

  • Текстовые формулы17:35

    Текстовые функции Excel для очистки и структурирования данных: СЖПРОБЕЛЫ убирает лишние пробелы, ПРОПНАЧ и ПРОПИСН приводят регистр букв к нужному виду. Функции ПОИСК, ДЛСТР и ПРАВСИМВ применяются вместе для разделения полного имени на фамилию и имя.

• Вложенные условия и подсчёт по маске 5 уроков

  Раздел разбирает вложенные формулы, комбинацию условий через функции И и ИЛИ, подсчёт и сумму по условию, а также поиск по нескольким условиям и маскам.

  • Вложенные формулы15:47

    Урок показывает вложенные формулы на примере ступенчатого расчёта премии: одна функция ЕСЛИ подставляется аргументом в другую, что убирает необходимость во вспомогательных столбцах. Правило премии усложняется до трёх ступеней в зависимости от отработанного времени и стажа, а итоговая формула объединяет обе проверки в одну.

  • Комбинация нескольких условий. Функция И13:15

    Урок посвящён логической функции И: она проверяет истинность нескольких условий одновременно и в связке с функцией ЕСЛИ используется для начисления премии по двум критериям — отработанному времени и стажу. Показан приём сворачивания вложенной формулы из вспомогательных столбцов в одну.

  • Комбинация нескольких условий. Функция ИЛИ5:21

    Урок вводит логическую функцию ИЛИ как альтернативу функции И: премия начисляется, если истинно хотя бы одно из двух условий, а не оба одновременно. Показано, как переносить готовую формулу в другую ячейку через строку формул без сдвига ссылок на ячейки.

  • Подсчёт и сумма по условию в Excel16:49

    Урок знакомит с функциями СЧЁТЕСЛИ и СУММЕСЛИ: подсчёт и суммирование значений по текстовому или числовому условию без ручного пересчёта или фильтрации таблицы. Показано, что в критерии можно использовать операторы сравнения в кавычках, например ">0" и ">=3".

  • Несколько условий и маски поиска в Excel24:21

    Урок разбирает функции СЧЁТЕСЛИМН и СУММЕСЛИМН для подсчёта и суммирования записей сразу по нескольким условиям, в отличие от их однокритериальных версий. Также показаны маски ввода со звёздочкой и знаком вопроса для поиска по части текста и по заданной длине совпадения.

• Поиск, проверка данных и именованные диапазоны 4 урока

  Раздел показывает поиск значения не в крайнем левом столбце, обработку ошибок в формулах, инструмент «Проверка данных» для выпадающих списков и работу с именованными диапазонами.

  • Поиск значения не в крайнем левом столбце17:18

    Связка функций ПОИСКПОЗ и ИНДЕКС для сопоставления двух таблиц, когда столбец сопоставления расположен не крайним левым и функция ВПР не применима. На примере таблицы заказа и прайс-листа ПОИСКПОЗ находит номер строки с нужным артикулом, а ИНДЕКС по этому номеру возвращает цену — формулы объединяются во вложенную конструкцию, работающую независимо от положения столбца поиска.

  • Ошибки в формулах, обработка17:55

    Функции ЕСЛИОШИБКА и ЕОШИБКА заменяют коды ошибок Excel — деление на ноль и отсутствие данных при поиске ВПР — на понятные значения в отчётах. На примерах расчёта средней стоимости сделки и подстановки оклада по должности показано, как задавать текст, прочерк или запасное значение по умолчанию вместо стандартной ошибки.

  • Инструмент Проверка данных10:04

    Инструмент «Проверка данных» на вкладке «Данные» ограничивает ввод в ячейку значениями из заданного списка, что предотвращает опечатки и ошибки при поиске ВПР. Разобрана настройка типа данных «Список» с источником-диапазоном, подсказки и сообщения об ошибке, а также обновление диапазона и формулы ВПР при добавлении новых значений.

  • Именованные диапазоны15:11

    Именованные диапазоны — присвоение имени ячейке или группе ячеек через вкладку «Формулы» или поле адреса — делают формулы нагляднее и избавляют от фиксации ссылок знаком доллара при протягивании. Показано применение в функциях СУММ и ВПР вместо адресов ячеек, а также работа с диспетчером имён при изменении диапазона.

• Диаграммы и условное форматирование в Excel 4 урока

  Раздел разбирает фильтр и сортировку по цвету, условное форматирование, в том числе по формуле, и построение диаграмм — от выбора типа и макета до оформления отдельного ряда данных.

  • Фильтр и сортировка по цвету7:51

    Фильтрация и сортировка по цвету заливки ячеек на примере таблицы товаров, раскрашенных по категориям. Фильтр по цвету включается на вкладке «Данные» и оставляет в таблице только записи нужной заливки, а сортировка по цвету группирует строки по цветам.

  • Условное форматирование15:43

    Условное форматирование на вкладке «Главная»: автоматическая заливка и изменение цвета шрифта ячеек по диапазону значений, тексту, повторам и рангу, включая пользовательский формат, гистограммы и цветовые шкалы. Диспетчер правил показывает список условий и позволяет их редактировать или удалять.

  • Условное форматирование по формуле9:23

    Условное форматирование по формуле, когда оформление ячейки зависит от значения ячейки в другом столбце той же строки — через пункт «Использовать формулу для определения форматируемых ячеек». Формула строится как логическое выражение и может сравнивать как текст, так и числа.

  • Макеты и стили диаграмм23:42

    Построение и настройка диаграмм по рядам данных: выбор типа диаграммы на вкладке «Вставка», изменение макета, легенды и цветовой палитры на вкладках «Конструктор» и «Формат». Добавление нового ряда через «Выбрать данные» и смена типа отображения для отдельного ряда на общей диаграмме.

• Сводные таблицы, срезы и сводные диаграммы 4 урока

  Раздел показывает создание и фильтрацию сводных таблиц, дополнительные и вычисляемые поля, а также срезы и сводные диаграммы для наглядного анализа.

  • Создание, преобразование, фильтрация15:04

    Урок объясняет принцип сводных таблиц Excel: перенос полей исходного списка в области строк, столбцов, значений и фильтров превращает развёрнутые записи в компактный отчёт. Показано построение таблицы из диапазона со сплошной шапкой, настройка числового формата значений через параметры поля и группировка дат по годам и месяцам.

  • Фильтрация, форматирование, дополнительные поля11:39

    Урок показывает перенос полей в область фильтров и в область столбцов для многоуровневой разбивки сводной таблицы, а также форматирование через вкладку «Конструктор» с готовыми стилями и настройкой итогов. Отдельно рассмотрена смена способа агрегирования данных — с суммы на количество или среднее.

  • Проценты, вычисляемые поля7:18

    Урок показывает вывод относительных показателей в сводной таблице через дополнительные вычисления, на примере расчёта доли продаж менеджера как процента от суммы по строке. Также разбирается создание вычисляемого поля с простой арифметической формулой — на примере расчёта премии как процента от суммы продаж.

  • Срезы, сводные диаграммы8:03

    Урок закрывает тему сводных таблиц инструментом «срез» — панелями с кнопками для наглядной фильтрации по нескольким полям сразу, включая выбор нескольких значений одного поля через Ctrl. Показано построение сводной диаграммы прямо по данным сводной таблицы, которая меняется вместе с ней.

• Первые шаги в Python с нуля 13 уроков

  Раздел проводит через установку Anaconda и работу в Jupyter Notebook и доводит до первых вычислений и переменных в Python — с расчётом на человека без опыта программирования.

  • Anaconda и Jupyter Notebook 6 уроков

    Раздел разбирает причины выбора Anaconda для Python, установку окружения на Windows и Mac и работу в Jupyter Notebook — интерфейс, ячейки, разметку текста, формулы и изображения.

    • Причины выбора Anaconda для Python3:03

      Урок объясняет, почему для установки Python выбран дистрибутив Anaconda: простая установка без специальных навыков, готовые среды Jupyter Notebook и Jupyter Lab, а также сразу включённые библиотеки NumPy, Pandas и SciPy для анализа данных.

    • Установка окружения для Windows3:40

      Пошаговая установка Anaconda на Windows: скачивание графического установщика, прохождение мастера установки и поиск установленных Jupyter Notebook и Anaconda Command Prompt через меню «Пуск» или Anaconda Navigator.

    • Установка Anaconda и запуск Navigator на Mac2:33

      Установка Anaconda на macOS: скачивание графического установщика в формате pkg, прохождение мастера установки и поиск Anaconda Navigator через Launchpad, откуда запускается Jupyter Notebook.

    • Jupyter Notebook – интерфейс4:18

      Разбор интерфейса Jupyter Notebook: запуск среды через Anaconda Navigator, создание нового блокнота с файлом формата ipynb, а также назначение пунктов меню File и Edit для работы с документом и ячейками.

    • Jupyter Notebook – ячейки и разметка текста11:09

      Работа с ячейками Jupyter Notebook: ввод и запуск кода, переключение ячеек между типами Code, Markdown и Raw NBConvert, а также базовая разметка Markdown — заголовки, курсив, полужирный текст, списки и ссылки.

    • Jupyter Notebook – формулы, изображения, работа в меню10:10

      Добавление формул в разметке LaTeX и изображений в ячейки Markdown, а также назначение пунктов меню Cell и Kernel для управления выполнением и вкладки Help с горячими клавишами и ссылками на документацию библиотек.

  • Вычисления и переменные в Python 7 уроков

    Раздел показывает базовые вычисления и операции с числами в Python, а также создание, изменение и преобразование типов переменных.

    • Python – базовые вычисления5:09

      Базовые арифметические операции в Python: сложение, умножение и деление, всегда возвращающее число с плавающей точкой, целочисленное деление оператором двойного слэша и возведение в степень оператором из двух звёздочек.

    • Python – операции с числами. Часть 17:15

      Работа со встроенным модулем math: импорт модуля целиком или отдельными функциями, вычисление квадратного корня и логарифмов, а также округление чисел функциями floor и ceil.

    • Python – операции с числами. Часть 210:28

      Вычисление факториала функцией factorial, экспоненциальная запись очень малых и очень больших чисел, а также особенности округления функцией round, которые объясняются через модуль decimal.

    • Переменные в Python – создание и изменение11:43

      Создание и изменение переменных в Python: присваивание значений, вывод через функцию print с разделителем sep и обновление значения переменной переприсваиванием или сокращённой записью вроде h += 1.

    • Переменные в Python – типы значений и переменных6:39

      Четыре базовых типа переменных в Python — integer, float, string и boolean — и проверка типа переменной встроенной функцией type() на примерах роста, пола, имени и возраста.

    • Переменные в Python – преобразование типов. Часть 19:00

      Преобразование значений между типами на примере задачи о покупке: округление результата деления до целого функцией int() и приведение введённого функцией input() текста к числу для дальнейшего сравнения.

    • Переменные в Python – преобразование типов. Часть 29:06

      Сравнение чисел, преобразование введённых с клавиатуры дробных значений функцией float() на примере расчёта среднего рейтинга и определение текущей рабочей папки функцией getcwd() из модуля os.

• PyCharm: установка и настройка проекта 5 уроков

  Раздел показывает установку PyCharm на Windows и Linux, настройку и первый запуск проекта, работу с проектами и оптимизацию редактора.

  • Установка PyCharm на Windows14:07

    Установка PyCharm Community на Windows: скачивание дистрибутива, включение JRE при установке и создание первого проекта с системным интерпретатором Python. Разбирается запуск индексации пакетов и первый запуск программы Hello World.

  • Настройка проекта и первый запуск PyCharm6:32

    Установка PyCharm Community на Mac OS: перенос приложения из образа в папку Applications, первичные настройки при запуске и создание проекта с выбором системного интерпретатора Python. Показан запуск первой программы после индексации системных библиотек.

  • Установка PyCharm на Linux6:26

    Установка PyCharm Community на Linux: скачивание и распаковка архива, проверка наличия OpenJDK и запуск программы через исполняемый скрипт в терминале. Разбираются первичные настройки и создание проекта с системным интерпретатором Python.

  • Проекты в PyCharm5:30

    Обзор интерфейса PyCharm: панель проекта, раздел External Libraries с исходным кодом стандартных библиотек, кнопки обычного запуска и запуска в режиме отладки. Рассматривается встроенная Python-консоль и хранение настроек в папке .idea проекта и в системной папке программы.

  • Оптимизация PyCharm4:14

    Снижение потребления оперативной памяти PyCharm через Custom VM Options: создание локального конфигурационного файла и изменение параметров виртуальной машины Java. Разбирается подбор безопасных значений максимального размера кучи и Reserved Code Cache Size.

• Условия, циклы и функции в Python 15 уроков

  Раздел разбирает поток выполнения программы, условный оператор, циклы while и for и первые функции — с оформлением кода по общепринятому стилю.

  • Условный оператор if и стиль кода 6 уроков

    Раздел объясняет поток выполнения программы, работу оператора if и то, как интерпретатор показывает переменные, а также стиль оформления кода.

    • Поток выполнения программы9:06

      Разбираем поток выполнения программы на примере режима отладки PyCharm: ставим точку останова, идём по коду построчно через Step Over и смотрим, как в панели Variables меняются значения переменных. Заодно знакомимся со стеком вызовов во вкладке Frames и выводом программы во вкладке Console.

    • Как интерпретатор показывает переменные5:06

      На примере расчёта роста членов семьи смотрим, как интерпретатор создаёт объекты и присваивает значения переменным, разбираем оператор += и учимся читать в отладчике сложные структуры вроде списка списков. Отдельно показываем функцию Evaluate — вычисление произвольных выражений с текущими значениями переменных прямо во время отладки.

    • Условный оператор17:51

      Разбираем условный оператор if, операторы сравнения и логические and, or, not, а также тройное сравнение и неявное приведение значений к истине или лжи. Учимся строить множественный выбор через цепочку if-elif-else и сравнивать значения одного типа.

    • Как работает оператор if7:51

      На наглядной анимации разбираем, как интерпретатор проверяет условия по порядку в конструкции if-elif-else и заходит только в ту ветку, где условие истинно. Показываем случай точного сравнения на равенство и переход к else, если ни одно условие не совпало.

    • Стиль кода. Часть 120:32

      Разбираем правила оформления кода по стандарту PEP8: отступы в 4 пробела, оператор pass, ограничение длины строки и автоформатирование в PyCharm. Обсуждаем, почему читаемость кода важнее скорости его написания.

    • Стиль кода. Часть 215:47

      Продолжаем тему стиля кода: разбираем правила PEP8 по именованию переменных, регистр букв для разных случаев и инструмент PyCharm Refactor → Rename для переименования во всём коде. Обсуждаем, почему стоит избегать однобуквенных имён и почему списки лучше называть во множественном числе.

  • Циклы while и for 4 урока

    Раздел разбирает циклы while и for, перебор элементов списка и полезные функции, применяемые внутри цикла.

    • Цикл while24:22

      Разбираем синтаксис цикла while и пошаговую работу переменной цикла в отладчике на примере последовательности Фибоначчи. Учимся управлять завершением цикла операторами break, continue и else и избегать бесконечных циклов.

    • Цикл for14:37

      Разбираем синтаксис цикла for для перебора списков, строк, словарей и множеств на примере списка животных зоопарка. Учимся управлять его выполнением через break, continue и else.

    • Элементы списка4:26

      Разбираем распаковку кортежей при переборе списка кортежей в цикле for: как задать сразу несколько переменных цикла вместо одной. Смотрим, к каким ошибкам ValueError приводит несовпадение количества переменных и значений в кортеже.

    • Полезные функции в цикле20:59

      Разбираем встроенные функции enumerate и range для организации циклов, перебор строк и вложенных циклов, а также способы получить из словаря ключи, значения или пары через items() и values(). Отдельно рассматриваем срезы списков и разницу в перебору списков через range(len()) и напрямую.

  • Первые функции в Python 5 уроков

    Раздел показывает определение и вызов функции через def, передачу параметра, оператор return и документирование функции с учётом динамической типизации Python.

    • Определение и вызов функции через def4:13

      Вводим понятие функции как блока кода для повторного использования и принцип DRY (don’t repeat yourself). Разбираем синтаксис определения функции через def и её вызов на примере многократного повторения действия в цикле for.

    • Функция с параметром3:54

      Разбираем определение и вызов функций с параметрами: как называть параметры по смыслу, где размещать объявление функции в коде и как передавать аргументы позиционным способом. Показываем, как переменная цикла передаётся в параметр функции при вызове внутри цикла.

    • Функция return10:01

      Разбираем возврат значения из функции через return, поведение функции без return и возврат нескольких значений кортежем с последующей распаковкой. Знакомимся с режимами отладчика Step Over и Step Into для пошагового прохода по функции.

    • Документирование функции4:01

      Разбираем, как оформить строку документации (docstring) первой строкой тела функции и получить её через атрибут __doc__ или встроенную функцию help(). Показываем это на примере IPython и встроенной функции print.

    • Динамическая типизация12:55

      Разбираем динамическую типизацию: функция не знает заранее тип параметров, поэтому операции могут завершиться ошибкой TypeError, а защититься помогает проверка типа через isinstance. Показываем разницу изменяемых и неизменяемых объектов и как список, переданный по ссылке, меняется внутри функции.

• Параметры функций, рекурсия и встроенные функции 9 уроков

  Раздел разбирает пространство имён, способы вызова функции по умолчанию, распаковку и произвольное число параметров, рекурсию и встроенные функции Python.

  • Пространство имен22:56

    Урок объясняет понятие пространства имён в Python: как создаются и исчезают локальные переменные функций, чем локальное пространство отличается от глобального и какие ошибки возникают при обращении к недоступным именам. Разбираются затенение переменных, работа переменных в условных блоках и циклах, а также приём с присвоением None для избежания ошибок.

  • Способы вызова функции по умолчанию12:23

    Урок разбирает способы вызова функций — позиционный, именованный и их сочетание, включая требование обязательной именованности через звёздочку. Рассматриваются типичные ошибки при неверном порядке или количестве аргументов, а также использование констант вместо глобальных переменных.

  • Распаковка параметров10:11

    Урок показывает распаковку списков и словарей при вызове функции через * и ** для подстановки значений в позиционные и именованные параметры. Разбираются совместное использование обоих способов, частичная распаковка и ограничения этого приёма, приводящие к ошибкам.

  • Параметры вызова функции по умолчанию14:07

    Урок разбирает параметры функции по умолчанию: синтаксис задания и момент их вычисления. Показана типичная ошибка с изменяемыми значениями по умолчанию, которая приводит к накоплению данных между вызовами, и безопасный приём с None для её обхода.

  • Произвольное число параметров19:33

    Урок объясняет механизм произвольного числа параметров функции через *args и **kwargs: сбор позиционных аргументов в tuple, именованных — в словарь, и обратную операцию — распаковку при вызове. Показана комбинированная сигнатура функции с обязательными, произвольными и параметрами по умолчанию.

  • Рекурсия13:15

    Урок объясняет понятие рекурсии на примере вычисления факториала через самовызов функции, показывает работу стека вызовов в отладчике и ограничение по глубине рекурсии из-за расхода памяти. Рассматривается применение рекурсии для обхода древовидных структур, таких как HTML DOM.

  • HTML DOM7:42

    Урок показывает, как разобрать HTML-документ в виде вложенных словарей (HTML DOM) и найти нужный элемент рекурсивной функцией, которая обходит дерево и прерывает поиск, как только элемент найден. Используются проверка isinstance и оператор break для завершения перебора.

  • Встроенные функции. Часть 119:37

    Урок разбирает группу встроенных функций Python: преобразование между типами данных (int, float, bool, str, list, tuple, dict, set) и функции для работы со списками — len, max, min, sum, sorted и zip.

  • Встроенные функции. Часть 222:48

    Урок продолжает разбор встроенных функций: логические all и any, средства интроспекции dir, help, id, is и isinstance, а также хеш-функция и открытие файлов через open.

• Мастер-класс: воронка продаж на реальных данных 5 уроков

  Раздел вводит понятие конверсии и разбирает сквозной кейс — от сырого журнала посещений сайта (кликстрима) до определения причины падения конверсии по месяцам и по типу устройства.

  • Знакомство с задачей, понятие «конверсии»3:16

    Разбирается путь посетителя интернет-магазина от главной страницы до подтверждения оплаты и вводится понятие конверсии — доли посетителей, дошедших до целевого действия. Практическое задание — рассчитать процент конверсии посетителей в покупателей по числам на разных этапах воронки.

  • ClickStream и воронка2:41

    Объясняется визуализация конверсии в виде воронки и вводится понятие кликстрима — журнала посещений страниц пользователями, на основе которого воронка строится. Задание — дополнить код обработки файла кликстрима, чтобы получить числа посетителей по этапам воронки.

  • Эволюция воронки со временем2:58

    Разбирается код подсчёта посещений по типам страниц для построения воронки и показывается, что сравнивать воронки нужно в процентах от первого шага, а не в абсолютных числах. Задание — построить отдельную воронку для каждого месяца из набора данных и сравнить их динамику.

  • Эволюция воронки со временем. Разбор практики4:44

    Разбираются результаты воронки по месяцам: показывается снижение конверсии на всех этапах и локализуется момент ухудшения, для сравнения используются проценты от первого шага, а не абсолютные числа. Задание — по данным о типе устройства (десктоп или мобильный) определить, произошло ли ухудшение воронки на одном типе устройства или на обоих.

  • Детализация воронки до типа устройства2:30

    Сравниваются воронки для мобильных и десктопных посетителей и показывается, что сайт был сломан на обоих типах устройств, но в разных местах воронки: на мобильных проблема в поиске, на десктопе — на переходе к оплате. Детализация по типу устройства помогает точнее указать, какой участок кода мог сломаться при обновлении сайта.

• Объектно-ориентированное программирование на Python 20 уроков

  Раздел доводит Python до классов, наследования и перегрузки операторов и закрепляется сквозной практикой — симуляцией логистики склада с грузовиками и погрузчиками.

  • Классы, объекты и их атрибуты 7 уроков

    Раздел вводит понятие объекта и класса, атрибуты и методы, специальные методы классов, перегрузку операторов и различие атрибутов класса и экземпляра.

    • Понятие объекта и его класса19:10

      Урок вводит объектно-ориентированный подход в Python: разбирается разница между классом и объектом, между атрибутами и методами. На примере класса Toyota и класса робота показано определение класса, создание экземпляра и работа конструктора __init__ с параметром self.

    • Атрибуты и методы объекта12:05

      Урок разбирает разницу между атрибутами и методами объекта, показывает динамическое добавление и удаление атрибутов через оператор del. Рассматриваются функции hasattr, getattr, setattr и delattr для проверки, чтения, установки и удаления атрибута по имени.

    • Указатель на свой объект в методах8:25

      Урок объясняет назначение параметра self как ссылки на конкретный экземпляр класса, с которым работает метод. На примере класса рюкзака показана разница между вызовом метода через объект (связанный метод) и через класс (несвязанный метод, где self нужно передавать вручную).

    • Специальные методы классов23:39

      Урок разбирает специальные методы класса — __init__, __del__, __str__, __len__, __hash__ и __bool__, которые интерпретатор вызывает автоматически в определённые моменты жизни объекта. На примере класса рюкзака показана настройка атрибутов, освобождение объекта сборщиком мусора и переопределение вывода объекта функцией print.

    • Перегрузка операторов22:29

      Урок показывает, как специальные методы __eq__, __add__, __iadd__ и __call__ позволяют переопределять для объектов сравнение, сложение, расширенное присваивание и вызов объекта как функции. Разбираются примеры на классах рюкзаков, хлеба и колбасы, а также объектов-умножителей.

    • Различие атрибутов класса и экземпляра8:35

      Урок объясняет разницу между атрибутами класса и атрибутами экземпляра на примере подсчёта числа созданных объектов через общий атрибут класса вместо глобальной переменной. Показано, что атрибутом класса может быть любое вычисляемое выражение, а значения доступны как через self, так и через имя класса.

    • Пространство имен класса12:41

      Урок объясняет пространство имён класса и порядок поиска атрибута — сначала у объекта, затем у класса, — а также перекрытие атрибута класса одноимённым атрибутом объекта. Разбирается типичная ошибка начинающих при попытке увеличить общий счётчик класса через self и верный способ обращения к переменной класса через её имя.

  • Практика: классы «Человек» и «Дом» 3 урока

    Раздел закрепляет классы на модели жизни персонажа «Человек» и дома с несколькими жителями, а также показывает работу с историей коммитов в Git.

    • Класс «Человек»: модель жизни27:11

      Практика по созданию класса «человек» с атрибутами сытости, еды и денег, методами приёма пищи и циклом действий по дням — работа, еда или игра со случайным выбором. Показаны приёмы PyCharm — безопасное переименование переменных, автоформатирование кода по PEP 8 и цветной вывод в консоль через пакет termcolor.

    • Дом с несколькими жителями32:24

      Практика объединяет несколько персонажей в общий класс дома с общими деньгами и едой; персонажи хранятся списком, а их методы обращаются к атрибутам объекта дома напрямую. Показано различие между текстовой заменой и безопасным рефакторингом переименования, а также польза частых коммитов в git для отмены изменений.

    • Работа с историей коммитов в Git35:03

      Урок разбирает инструменты Git в PyCharm — просмотр истории коммитов, временное сохранение правок через стеш, состояние detached HEAD и отмену изменений через revert и reset с разными режимами. В конце даются домашние задания на классы: симуляция снегопада, консольная игра-алхимия и доработка класса кота.

  • Наследование и множественное наследование 7 уроков

    Раздел разбирает базовый класс и порядок поиска атрибутов, доступ к свойствам родителя и их переопределение, метод super и множественное наследование с гибкими конструкторами.

    • Базовый класс и порядок поиска атрибутов19:22

      Урок объясняет наследование классов: общие атрибуты и методы выносятся в базовый класс, а дочерние классы наследуют их и переопределяют под свою специфику — на примерах классов животных и летающих объектов. Показан порядок поиска атрибута по цепочке наследования и атрибут self.__class__.__name__, возвращающий имя реального класса объекта.

    • Доступ к свойствам родителя5:34

      Урок показывает, что атрибуты родительского класса с двойным подчёркиванием в начале имени недоступны дочернему классу напрямую из-за механизма инкапсуляции — интерпретатор изменяет имя такого атрибута, — тогда как атрибуты без подчёркивания и с одним подчёркиванием наследуются свободно.

    • Переопределение свойств и методов родителя8:37

      Урок объясняет переопределение атрибутов и методов в дочерних классах на примерах классов животных и роботов: как задаются собственные значения атрибутов и как одноимённый метод потомка полностью перекрывает метод родителя. Показан порядок поиска значения атрибута по уровням — от объекта к классу и далее к базовому классу.

    • Метод Super12:04

      Урок показывает работу метода super для дополнения поведения родительского класса: сначала вызывается реализация конструктора или метода из базового класса, затем добавляется собственная логика потомка. Разбираются примеры на классах роботов-пылесосов, военных и подводных роботов.

    • Множественное наследование15:08

      Урок раскрывает множественное наследование — объединение поведения нескольких базовых классов в одном, на примерах классов «работник»/«родитель» и роботов-дронов. Показано, как порядок перечисления базовых классов влияет на поиск метода, и разобран порядок разрешения методов (MRO) на ромбовидной структуре наследования.

    • Гибкие конструкторы при множественном наследовании8:29

      Урок объясняет, что все классы Python неявно наследуются от встроенного класса object, из-за чего структура с несколькими родителями образует ромбовидную иерархию. Показан приём *args и **kwargs для конструкторов, не зависящих от порядка родительских классов, и комбинирование поведения через super по цепочке MRO.

    • Немного умных слов5:03

      Урок вводит терминологию объектно-ориентированного программирования — класс, экземпляр, переменная класса и переменная экземпляра, метод, наследование, перегрузка функций и операторов. Названы четыре принципа ООП: абстракция, наследование, инкапсуляция и полиморфизм.

  • Практика: модель доставки грузов 3 урока

    Раздел закрепляет наследование классов на модели доставки грузов — с отладкой и добавлением статистики в модель перевозок.

    • Наследование классов на модели доставки26:04

      Практика строит модель логистики на классах и наследовании: базовый класс техники с общим атрибутом расхода топлива, производные классы грузовика и погрузчика, а также склады и дороги, взаимодействующие по часам симуляции. Конструкторы дочерних классов вызывают конструктор базового через super(), а метод act() определяет действие объекта в текущий час.

    • Отладка модели доставки грузов30:15

      Практика продолжает предыдущую модель: реализуются входящая и исходящая очереди грузовиков на складе, учёт расхода топлива и отладка через точки останова в PyCharm. После исправления найденных ошибок модель полного цикла перевозки отрабатывает без сбоев.

    • Наследование и статистика в модели перевозок22:03

      Урок продолжает практику: общая проверка топлива выносится в базовый класс и переопределяется в наследниках через super(), добавляются переменные класса для суммарного расхода топлива и учёта времени простоя. Разбирается ошибка, возникающая при увеличении числа машин, когда склад отдаёт груза больше, чем на нём есть, и создаётся подкласс грузовика с иными параметрами.

• Обработка и создание исключений 7 уроков

  Раздел разбирает виды стандартных ошибок, обработку исключений через try/except, исключения в контекстном менеджере и создание собственных классов исключений оператором raise.

  • Понятие, виды стандартных ошибок5:13

    Разбираем разницу между синтаксической ошибкой и исключительной ситуацией, возникающей во время работы кода. Смотрим на примерах ZeroDivisionError, NameError и TypeError, как исключения образуют общую иерархию классов и как непойманная ошибка выводится в консоль вместе с местом её возникновения.

  • Обработка исключений34:03

    Изучаем синтаксис try/except/else/finally для перехвата ошибок: как ловить конкретные классы исключений, обращаться к объекту ошибки и пробрасывать необработанные исключения по стеку вызовов функций. На сводном примере разбираем чтение числа из файла с раздельной обработкой разных ошибок.

  • Исключения в контекстном менеджере6:36

    Смотрим, как исключения обрабатываются внутри контекстного менеджера через метод __exit__, получающий тип, значение и трассировку ошибки. Разбираем, как результат __exit__ определяет, погасить исключение или пробросить его дальше по стеку вызовов.

  • Создание исключений12:23

    Разбираем оператор raise: как намеренно создавать исключение, пробрасывать пойманную ошибку дальше без изменений и связывать новую ошибку с предыдущей внутри except. Учимся создавать собственные классы исключений, унаследованные от Exception, с дополнительными полями данных.

  • Примеры работы с исключениями сторонних модулей5:21

    На примерах Requests, Django и Pygame смотрим, что сторонние библиотеки определяют собственные классы исключений: ConnectionError при сбое соединения, Модель.DoesNotExist при отсутствии записи в базе, Error при неудачной загрузке ресурса. Разбираем, как перехват таких ошибок помогает программе корректно реагировать на сбой конкретного инструмента.

  • Класс Warning7:56

    Разбираем класс предупреждений Warning: как модуль warnings выводит сообщение о потенциальной проблеме через функцию warn, не прерывая выполнение программы. Смотрим категории предупреждений вроде DeprecationWarning и фильтры error, ignore, module и once, управляющие их выводом.

  • Практика — исключения23:47

    Практика на реальном файле данных: читаем построчно арифметические выражения, вычисляем результат и суммируем, оборачивая вычисление строки в try-except, чтобы ValueError на битых данных не останавливал обработку остальных строк. Разбираем детализацию причины ошибки через args и принцип отделения основного алгоритма от логирования ошибок.

• NumPy: массивы и операции над ними 7 уроков

  Раздел вводит структуру ndarray, базовые операции и вычисления с массивами, их создание и работу с условиями и булевыми массивами.

  • Основные идеи NumPy6:53

    Знакомство с библиотекой NumPy: чем библиотека отличается от модуля, как её импортировать и как выполнять базовые вычисления вроде квадратного корня и логарифма. Разбирается разница между средним арифметическим и медианой на примере набора зарплат, где одно резко большое значение искажает среднее.

  • Ndarray – базовая концепция11:04

    Изучение ndarray — базовой структуры NumPy для хранения однотипных данных: создание одно-, дву- и трёхмерных массивов из списков. Разбираются правила приведения типов при смешении чисел и строк и требование одинаковой длины вложенных списков.

  • Ndarray – операции8:08

    Поэлементные арифметические операции над массивами NumPy — умножение, сложение и деление без циклов — на примерах явки на участках и дохода репетиторов. Показано отличие этих операций от работы с обычными списками Python, где умножение или возведение в степень дают другой результат или ошибку.

  • Базовые операции над массивами12:31

    Атрибуты двумерного массива NumPy — число измерений ndim, форма shape и размер size — на примере турнирных мест шахматистов. Обращение к элементам по индексам и срезам, включая частичные границы и шаг, в том числе отрицательный, разворачивающий массив.

  • Вычисления с массивами11:12

    Методы min, max и mean для поиска минимума, максимума и среднего значения массива, а также argmax и argmin для определения индекса экстремума — на примере оценок школьников. Для двумерного массива показано усреднение по строкам и столбцам через параметр axis.

  • Создание массивов8:19

    Способы создания массивов NumPy: из готового списка функцией array, диапазоном значений с заданным, в том числе дробным, шагом через arange. Готовые функции zeros, ones и eye для матриц из нулей, единиц и единичной матрицы с единицами на главной диагонали.

  • Условия и булевы массивы15:44

    Применение операторов сравнения к массиву NumPy с получением булева массива true/false и объединение нескольких условий операторами И и ИЛИ с обязательными скобками вокруг каждого условия. Подсчёт числа элементов, удовлетворяющих условию, методом sum и отбор самих элементов по условию в квадратных скобках.

• NumPy: изменение и структурирование массивов 6 уроков

  Раздел показывает изменение размерности и содержимого списков, создание новых массивов на основе старых, структурированные массивы и чтение-запись данных NumPy.

  • Изменение размерности списков8:43

    Разбираем методы reshape и transpose для изменения формы и размерности массивов NumPy, а также ravel и flatten для сведения многомерного массива обратно к одномерному. Отдельно смотрим на ограничение reshape: новая форма должна сохранять исходное число элементов, иначе Python выбрасывает ValueError.

  • Изменение списков12:09

    Показываем изменение элемента массива по индексу и разбираем ловушку простого присваивания: оно создаёт не копию, а ссылку на тот же массив, поэтому изменение через неё меняет и исходный объект. Учимся получать независимую копию методом copy или полным срезом, а также заменять несколько элементов сразу через срез.

  • Создание новых списков на основе старых16:17

    Создаём новый массив логарифмированных значений функцией np.log, чтобы уменьшить разброс данных, и строим точечный график в Matplotlib для сравнения исходных и логарифмированных значений. Для обычных списков Python, которые не поддерживают поэлементные операции, используем list comprehension.

  • Дополнительные концепции NumPy11:12

    Разбираем округление массивов методами round, floor и ceil, а также поэлементные операции np.add, np.subtract, np.sum и np.prod. Знакомимся с объектом np.datetime64 для перевода строки с датой в тип, над которым можно выполнять арифметику, например вычислять разницу в днях между датами.

  • Структурированные списки14:17

    Знакомимся со структурированными массивами NumPy, в которых столбцы имеют собственные имена и могут хранить разные типы данных, как в таблице. Учимся создавать такой массив функцией np.array с аргументом dtype, а также выбирать из него строки, столбцы и отдельные ячейки.

  • Чтение-запись списков9:33

    Сохраняем массивы NumPy функцией np.save в бинарный файл формата .npy и считываем обратно через np.load без повторного пересчёта, а также записываем данные в текстовый файл .txt или .csv функцией np.savetxt. Разбираем array2string для превращения массива в строку и метод tolist() для обратного преобразования в обычный список Python.

• Pandas: датафреймы, .loc и .iloc 6 уроков

  Раздел вводит основные структуры Pandas, индексацию методами .iloc и .loc и базовые операции над датафреймом.

  • Основные структуры6:42

    Знакомство с библиотекой Pandas и её главным объектом DataFrame — таблицей из строк и столбцов, объединяющей несколько массивов. Учебный DataFrame собирается из списка списков, а отдельный его столбец относится к типу Series, похожему одновременно на словарь и на массив.

  • Индексы и метод .iloc6:43

    Выбор строк, столбцов и отдельных ячеек DataFrame по числовым индексам через метод iloc, включая срезы. Показано, чем такое обращение отличается от прямого указания индекса в квадратных скобках.

  • Индексы и метод .loc7:14

    Обращение к элементам DataFrame по названиям: выбор одного или нескольких столбцов и точечный доступ к строкам и столбцам через метод .loc, включая текстовые срезы, где правый конец диапазона включается в результат.

  • Характеристики датафрейма pandas11:01

    Способы получить характеристики DataFrame: метод .info() для структуры таблицы, атрибут shape для её размера и метод .describe() для описательной статистики по числовым столбцам — среднего, минимума, максимума, стандартного отклонения и квартилей.

  • Операции над датафреймами. Часть 18:19

    Базовые операции просмотра и отбора данных в DataFrame: вывод первых и последних строк методами head и tail, удаление пропущенных значений методом dropna и фильтрация строк по одному или нескольким условиям с операторами & и |.

  • Операции над датафреймами. Часть 211:41

    Способы создания новых столбцов DataFrame: на основе значений другого столбца, из одного значения для всех строк, из списка и как результат поэлементной операции над двумя столбцами.

• Pandas: группировка и работа с пропусками 6 уроков

  Раздел разбирает применение функций методом .apply, группировку и агрегирование, сортировку, работу с пропущенными значениями (NaN) и иерархическое индексирование.

  • Применение функций и метод .apply()12:26

    Урок показывает применение метода .apply() для создания новых столбцов датафрейма: использование готовых функций библиотеки NumPy и собственных лямбда-функций, в том числе построчно и по столбцам. Разбирается вызов метода к одному столбцу, к срезу из нескольких столбцов с аргументом axis и передача собственной лямбда-функции.

  • Группировка и агрегирование7:39

    Урок объясняет группировку данных методом groupby и вычисление сводных показателей по группам методом agg: встроенные функции суммы, среднего, минимума, максимума и медианы, а также собственные функции. Показано, как передать в agg список функций и получить отдельные столбцы для каждой характеристики по группам.

  • Сортировка и упорядочение5:29

    Урок объясняет сортировку строк DataFrame методом sort_values по одному или нескольким столбцам и управление направлением и сохранением результата через параметры ascending и inplace. Показана сортировка по нескольким столбцам, где второй столбец определяет порядок строк с одинаковыми значениями первого.

  • Работа с NaN-ами7:37

    Урок показывает, как находить пропущенные значения в DataFrame методами info и isna и обрабатывать их — заполнением через fillna или удалением строк через dropna. Разбирается выбор между удалением и заполнением пропусков в зависимости от объёма данных.

  • Иерархическое индексирование. Часть 16:37

    Урок объясняет, что такое индексирование строк в Pandas и когда обычная числовая нумерация не подходит, вводит понятие иерархического индексирования и показывает применение метода set_index на примере учебного датасета. Составной индекс задаётся списком из двух столбцов, ни один из которых по отдельности не задаёт строку однозначно.

  • Иерархическое индексирование. Часть 27:43

    Урок разбирает структуру объекта MultiIndex, показывает сортировку строк методом sort_index по вложенным уровням индекса и обращение к строкам по составному ключу через метод loc. Сортировка идёт по уровням: сначала по первому показателю, затем внутри него — по второму, а уточнение выбора вторым значением индекса сужает результат до одной ячейки.

• Форматы данных, CSV и XLSX 5 уроков

  Раздел объясняет различие структурированных и неструктурированных данных, чтение и запись файлов CSV и XLSX, а также форматирование дат.

  • Что такое данные и какие они бывают6:11

    Урок вводит различие между структурированными и неструктурированными данными: неструктурированные хранятся в исходном виде и требуют обработки перед анализом, структурированные имеют заданную схему и легче собираются, хранятся и анализируются. На примере письма показан переход от неструктурированных данных к структурированным, а для работы с ними — SQL и библиотека Pandas.

  • Чтение файлов в формате CSV9:03

    Урок объясняет устройство формата CSV — текстовой таблицы, где строки разделены переносами, а столбцы обычно запятыми, — и показывает загрузку CSV-файлов в DataFrame библиотеки Pandas функцией read_csv. Разбирается настройка разделителя столбцов через параметр sep и индексного столбца через index_col.

  • Запись файлов в формате CSV8:16

    Урок разбирает сохранение DataFrame в CSV-файл методом to_csv, включая параметр indexLabel для названия столбца индекса. На примере значения с запятой внутри показано, как совпадение разделителя со знаком в данных портит структуру таблицы, и почему для sep стоит выбирать разделитель, заведомо не встречающийся в данных.

  • Форматирование дат9:04

    Урок объясняет, почему разные страны записывают дату в разном порядке дня, месяца и года, и представляет международный стандарт год-месяц-день, удобный для сортировки. Показано, как параметры parseDates и dayFirst функции read_csv приводят даты к типу datetime в Pandas, из которого затем можно получить производный признак вроде дня недели.

  • Чтение и запись файлов в формате XLSX9:54

    Урок показывает работу с бинарным форматом XLSX, который в отличие от текстового CSV может содержать сразу несколько листов с таблицами. Чтение выполняется функцией read_excel с параметром sheet_name для выбора листа, а даты распознаются теми же параметрами parseDates и dayFirst, что и при чтении CSV; сохранение DataFrame делается методом to_excel.

• SQL: от SELECT до подзапросов 9 уроков

  Раздел разбирает структуру базы данных, запросы SELECT с фильтрацией, функции и агрегацию, соединение таблиц JOIN, группировку, изменение данных, подзапросы и изменение структуры данных.

  • SQL. Введение1:50

    SQL — язык запросов для чтения, записи и описания структуры данных, применяемый в большинстве распространённых СУБД: MySQL, PostgreSQL, Oracle, MSSQL, Presto, Hive. Работа с базой строится по схеме «подключение — запрос — ответ», а обращаться к ней можно через клиент-программу или из собственного кода.

  • Структура БД, запрос DESCRIBE5:50

    Разбирается структура базы данных из четырёх связанных таблиц и типы данных колонок — varchar, int, enum, datetime. Команды use, show tables и describe показывают выбор базы, список таблиц и структуру конкретной таблицы по колонкам.

  • Выбор и фильтрация данных, запрос SELECT9:58

    Базовый синтаксис запроса SELECT: выбор конкретных колонок или всех полей через звёздочку, фильтрация условием WHERE с операторами and и or, сортировка ORDER BY. Дополнительно разбираются ограничение LIMIT, отбор неповторяющихся значений DISTINCT и объединение выборок UNION.

  • Функции и выражения, агрегация данных10:46

    Применение функций и выражений к результатам выборки: арифметика над колонками, псевдонимы через AS, работа с датами через DateDif, условная логика через IF, склейка строк через CONCAT. Агрегирующие функции COUNT, AVG, MAX и SUM сводят выборку к одному итоговому значению.

  • Отношения и соединение таблиц – JOIN7:32

    Типы отношений между таблицами и оператор JOIN, соединяющий две и более таблиц по условию ON. Разбираются связь «один ко многим», связь «многие ко многим» через вспомогательную таблицу и построение запроса с двумя последовательными JOIN.

  • Группировка3:46

    Группировка данных оператором GROUP BY для расчёта агрегированных показателей по каждой группе, в сочетании с JOIN для объединения таблиц. Результат группировки сортируется оператором ORDER BY с модификатором DESC и ограничивается оператором LIMIT.

  • Модификация данных5:13

    Изменение данных в таблице: добавление новой строки запросом INSERT INTO с указанием колонок и значений после VALUES, изменение значений существующих строк запросом UPDATE с SET и условием WHERE. Оператор UPDATE применяется и массово — сразу ко всем строкам с определённым значением колонки.

  • Подзапросы3:02

    Построение запроса с подзапросом — вложенным SELECT в круглых скобках — для связи двух таблиц без прямого отношения через внешний ключ. Подзапрос выполняется отдельно для каждой строки внешней таблицы и заменяет JOIN там, где связи между таблицами нет.

  • Объявление и изменение структуры данных8:26

    Нормализация и ненормализованные данные на примере дублирующихся полей, создание новой таблицы командой CREATE TABLE с перечислением колонок и типов. Наполнение таблицы через INSERT SELECT, изменение структуры существующей таблицы через ALTER TABLE и массовое обновление командой UPDATE без WHERE.

• Форматы и базы: JSON, Pickle, HDF5, SQLite, PostgreSQL, MongoDB 9 уроков

  Раздел разбирает форматы JSON, Pickle и HDF5, работу с базами SQLite, PostgreSQL и MongoDB из Python, а также обращение к базам данных через Pandas.

  • Формат JSON4:37

    Разбирается текстовый формат JSON для обмена данными и его связь со структурой Python-словаря. На примере кода показано преобразование словаря в JSON-строку функцией dumps модуля json и обратное преобразование функцией loads.

  • Pickle — сериализация объектов3:56

    Объясняется бинарный формат pickle для сохранения и передачи объектов Python. На примере словаря показано, как модуль записывает объект в файл функцией dump в режиме wb и восстанавливает его функцией load в режиме rb.

  • Работа с данными формата HDF512:17

    Описывается бинарный формат HDF5 для хранения и частичного чтения больших иерархических массивов данных без загрузки всего файла в память. На примере через библиотеку h5py показано создание групп и датасетов из массивов NumPy со сжатием GZIP и их последующее чтение.

  • Работа с базой данных SQLite35:57

    Показана работа с библиотекой SQLite3: создание локальной реляционной базы данных на Python и таблицы SQL-командой Create Table. Разобрана загрузка данных из CSV-файла через DictReader и метод executemany, а также обратное чтение записей SQL-запросом.

  • Работа с базой данных PostgreSQL6:04

    Показано подключение к промышленной СУБД PostgreSQL из Python через библиотеку psycopg2 и чтение списка таблиц схемы Public. На примере разобран аналитический запрос с агрегацией — расчёт средней оценки фильмов и вывод топ-5 по убыванию.

  • Работа с базой данных из pandas2:46

    Показано подключение к SQLite и PostgreSQL из Pandas и чтение табличных данных SQL-запросом через функцию read_sql_query. Разобрано, что для Postgres используется модуль psycopg2, а запрос к локальному файлу SQLite выполняется быстрее запроса к удалённому серверу.

  • Работа с базой данных MongoDB. Часть 18:46

    Представлена документоориентированная база MongoDB с коллекциями и документами вместо таблиц и строк. Показано подключение из Python через библиотеку PyMongo и объект MongoClient, вывод списка коллекций и выборки записей методом find с проекцией нужных полей.

  • Работа с базой данных MongoDB. Часть 26:09

    Показана фильтрация записей MongoDB параметром filter и построение агрегационного пайплайна с группировкой по тегу, подсчётом и сортировкой результатов. Подводится итог по изученным в модуле форматам и хранилищам: JSON, Pickle, HDF5, SQLite и PostgreSQL.

  • Работа с SQL через Pandas1:50

    Объясняется, что функция read_sql_query библиотеки Pandas абстрагирует загрузку данных от конкретной базы — достаточно объекта connection и текста SQL-запроса. Задаётся домашняя работа по подсчёту строк в таблицах, выводу столбцов Ratings и определению поля для соединения таблиц Links и Ratings.

• Обработка текста и регулярные выражения 4 урока

  Раздел показывает стандартные приёмы работы с текстом, регулярные выражения модуля re для извлечения email-адресов, телефонов и имён, а также подсчёт статистик текста.

  • Стандартные приёмы работы с текстом3:53

    На примере датасета с описаниями фильмов разбираются два базовых приёма подготовки текста — приведение к нижнему регистру и удаление знаков пунктуации средствами модуля string. Отдельно поясняется, когда эти приёмы применять не стоит: например, при извлечении имён людей приведение к нижнему регистру стирает информацию о заглавных буквах.

  • Регулярные выражения Python16:58

    Урок знакомит с модулем re для работы с регулярными выражениями: составление и компиляция шаблонов, спецсимволы и квантификаторы. На примере пользовательских отзывов шаблоны постепенно усложняются для извлечения email-адресов, телефонных номеров и имён собственных из текста.

  • Статистики текста10:21

    Показан переход от сырого текста к числовому представлению через подсчёт частоты слов: словоформы приводятся к начальной форме морфологическим анализатором pymorphy2, а результаты собираются в таблицу Pandas. Группировка таблицы по документу и слову даёт количество вхождений каждого слова и помогает определить тему документа.

  • Домашняя работа3:56

    Три домашних задания разного уровня: подсчёт доли документов, в которых встречается каждое слово, извлечение регулярным выражением пар «имя и фамилия» из текста, и классификация документов по жанру через словари ключевых слов. Задание повышенной сложности выполнять необязательно.

• Статистика: распределения, корреляции, аномалии 11 уроков

  Раздел разбирает распределение вероятности, оценки распределения случайной величины, асимметричные данные, корреляционный анализ, доверительные интервалы и поиск аномалий в данных.

  • Распределение вероятности5:47

    Урок вводит понятие вероятности и сопоставляет классический и аксиоматический подходы к её определению, разбирает дискретные и непрерывные распределения случайной величины. Отдельно рассматривается нормальное распределение и центральная предельная теорема, а также роль плотности и функции распределения.

  • Оценки распределения случайной величины3:41

    Урок разбирает точечные оценки распределения случайной величины: математическое ожидание, дисперсию, моду, квантили и интерквартильный размах. Показывается, что для нормального распределения среднее, мода и медиана совпадают в одной точке.

  • Практика описательной статистики в Python5:20

    Практика показывает, как в Python сгенерировать синтетическую нормально распределённую выборку и рассчитать по ней точечные оценки, среднеквадратическое отклонение и квантили средствами pandas и NumPy. Строятся гистограммы распределения через Seaborn и pandas, а расчёты оформляются в отдельную функцию.

  • Где чаще всего ошибаются аналитики3:17

    Урок разбирает, почему средняя оценка вводит в заблуждение при асимметричных и мультимодальных распределениях, и вводит коэффициенты асимметрии и эксцесса для их распознавания. Отдельно рассматривается мультимодальность выборки как признак присутствия в данных нескольких групп с разными характеристиками.

  • Асимметричные данные: гамма-распределение2:44

    Урок показывает генерацию асимметричных данных по гамма-распределению средствами NumPy и сравнивает их с нормальным распределением на бизнес-примере оттока и прибыли клиентов. Демонстрируется, что при одинаковых среднем и сигме форма распределения меняет долю убыточных клиентов и итоговые бизнес-выводы.

  • Корреляционный анализ4:53

    Урок разбирает линейную корреляцию: коэффициенты связи Пирсона и Кендалла и шкалу Чедока для оценки силы связи. Рассматриваются способы визуализации взаимосвязей — матрица парных корреляций и диаграмма рассеяния для нелинейных зависимостей.

  • Практика корреляционного анализа4:31

    Практика разбирает построение и визуализацию матрицы парных корреляций на реальном датасете цен на жильё Boston House Prices методом corr() библиотеки Pandas и тепловой картой Seaborn. Значимость связей проверяется по шкале Чеддока, а для значимых пар строятся диаграммы рассеяния.

  • Доверительные интервалы2:09

    Урок вводит понятие доверительного интервала как интервальной оценки параметра случайной величины с заданной доверительной вероятностью, в отличие от точечной оценки. Объясняется построение интервала на основе нормального распределения и центральной предельной теоремы, для случаев с известной и неизвестной дисперсией.

  • Доверительный интервал по акциям Google6:14

    Практика разбирает реальные котировки акций Google с Yahoo Finance: проверку нормальности выручки по эксцессу, асимметрии и графику QQ-plot, а затем построение 95%-го доверительного интервала функцией из SciPy. Значения за верхней границей интервала помечаются как аномальные события.

  • Аномалии в данных3:33

    Урок объясняет, что аномалии — это сильно отличающиеся от выборки наблюдения, которые не всегда стоит удалять, а нужно помечать и исследовать в зависимости от бизнес-задачи. Рассматриваются одномерный поиск аномалий через квантили, доверительные интервалы и правило трёх сигм, а также многомерные методы Isolation Forest и One-Class SVM.

  • Поиск аномалий в данных5:29

    Практика разбирает поиск и фильтрацию выбросов в одномерных данных правилом трёх сигм и квантилями на синтетических нормальных и бимодальных выборках, а затем на реальном медицинском датасете из scikit-learn. Логика оформляется в пользовательскую функцию, которая выявляет пациентов с аномально высоким показателем прогрессии заболевания.

• Как распознать манипуляцию статистикой 5 уроков

  Раздел разбирает манипуляцию средними значениями, ширину временного интервала и масштаб графика, подмену единицы анализа и различие корреляции и причинно-следственной связи.

  • Зачем нужна статистика1:57

    Урок рассказывает о происхождении статистики как инструмента управления государством и её современном применении в разных отраслях — от расчёта вероятностей до А/Б-тестов. Отдельно разбирается, как результаты статистических исследований искажают намеренно или неосознанно в интересах заинтересованных сторон, например при подборе выборки под нужный результат.

  • Манипуляция средними и сила авторитета9:24

    На примерах статистики доходов и международного рейтинга рабочих часов урок показывает, как выбор меры среднего — среднего арифметического, медианы или моды — и некорректное сравнение данных превращают статистику в инструмент манипуляции. Разбирается, почему данные авторитетных организаций нужно проверять на методологию.

  • Ширина временного интервала и сила масштаба3:42

    Урок показывает, как выбор ширины временного интервала и масштаба оси графика меняет восприятие одних и тех же данных, на примерах графика оборонных расходов и скачка шкалы в публикации New York Times. Даётся упражнение переделать график роста числа частных школ под нужный вывод.

  • Единица анализа и «Яблоки и апельсины»8:26

    Урок вводит понятие единицы анализа и разбирает приём «яблоки и апельсины» — сравнение несопоставимых величин — на примерах цен в разных валютах, кассовых сборов фильмов без поправки на инфляцию и конверсии онлайн-курса. Даётся упражнение объяснить снижение выпуска подорожавших автомобилей на заводе.

  • Ошибка восприятия и корреляция и причинно-следственная связь13:42

    Урок разбирает разницу между процентом и процентным пунктом, показатель CAGR и различие между корреляцией и причинно-следственной связью на примерах случайной и ложной корреляции. Также рассматриваются когнитивные искажения: ошибка выжившего, эффект якоря и склонность подтверждать свои ожидания.

• Обзор инструментов Big Data 3 урока

  Раздел даёт общее представление о больших данных и технологии Hadoop с HDFS и MapReduce, кратко знакомит с Hive и Impala и обзорно — с другими инструментами обработки больших данных.

  • Введение в Big Data13:51

    Урок даёт общее представление о больших данных: их характеристики, сферы применения и основные технологии обработки — Hadoop, HDFS и MapReduce. Разбирается, как фреймворк Hadoop позволяет горизонтально масштабировать вычисления на обычном оборудовании, а MapReduce разбивает обработку на параллельно выполняемые этапы Map и Reduce.

  • Технология Hive, кратко об Impala10:26

    Урок разбирает Hive — SQL-надстройку над HDFS, где папки становятся таблицами, а запросы на SQL переводятся в пакеты MapReduce-задач; рассматриваются классические и внешние таблицы, партиционирование и бакетирование для ускорения запросов. Также даётся Impala — более быстрый инструмент доступа к тем же данным, читающий их напрямую с кэшированием в памяти, минуя MapReduce.

  • Другие инструменты6:39

    Урок описывает фреймворк Apache Spark и работу с ним через DataFrame и Spark SQL как альтернативу Hive, включая join-операции DataFrame — left-semi-join, left-anti-join и cross join. Завершает раздел рекомендациями по дальнейшему изучению SQL, Python и BI-инструментов вроде Tableau и Power BI.

• Google Analytics и Яндекс.Метрика 2 урока

  Раздел разбирает структуру отчётов Google Analytics — сеансы, хиты, цели и конверсии — и сравнивает её с Яндекс.Метрикой, её терминологией и фирменными инструментами вроде карты кликов и WebVisor.

  • Сеансы, хиты и отчёты Google Analytics34:50

    Разбираем структуру Google Analytics: понятия пользователя, сеанса и хита, установку счётчика на сайт и в приложение, группы отчётов по аудитории, источникам трафика и поведению. Отдельно — цели, коэффициент конверсии и отчёты по многоканальным последовательностям для анализа пути к покупке.

  • Яндекс.Метрика24:20

    Знакомимся с Яндекс.Метрикой как альтернативой Google Analytics: фирменные инструменты WebVisor, карта кликов, аналитика форм и call tracking, а также отличия в терминологии и подсчёте отказов. Рассматриваем структуру отчётов и передачу данных в сервис визуализации DataLens.

• Power BI: первые графики и Power Query 3 урока

  Раздел показывает интерфейс Power Query, загрузку данных из файла и построение первого графика, а также загрузку файлов CSV и нескольких файлов из папки.

  • Интерфейс Power Query и загрузка данных7:35

    Загрузка таблицы продаж из Excel через окно получения данных Power BI и построение гистограммы с группировкой по дате и сумме. Настройка денежного формата для столбца сумм и меток данных на графике.

  • Загрузка файлов CSV и их особенности9:03

    Работа с форматом CSV и приведение неправильно распознанных дат к нужному типу в Power Query через разделение и объединение столбцов с учётом региональных настроек. Работа со списком применённых шагов вместо команды отмены.

  • Загрузка многочисленных файлов из папки8:01

    Настройка Power BI на автоматическую загрузку и объединение однотипных файлов из папки с фильтром по расширению. Построение визуала «матрица» с иерархией дат и обновление отчёта при добавлении новых файлов.

• Итоговый отчёт для заказчика в Power BI 3 урока

  Раздел собирает курс воедино: связывание таблиц по модели «Звезда», построение отношений между ними и подключение внешнего источника данных — Google Таблиц — для готового отчёта.

  • Соединение таблиц. Модель Звезда10:52

    Принцип построения связей между таблицами по модели «Звезда»: центральная таблица фактов и окружающие её таблицы измерений. На примере данных о продажах и руководителях показано создание отношения «один ко многим» по общему полю имени сотрудника, с построением круговой диаграммы по результатам связывания.

  • Соединение таблиц. Модель Звезда8:48

    Разбор типов связей между таблицами в Power BI: «многие ко многим», «один к одному» и «многие к одному». Отношение «многие ко многим» показано на таблицах оценок студентов и записи на курсы со сменой агрегации с суммы на среднее, «один к одному» — на объединении данных из налоговой и регистрационной таблиц по идентификационному коду.

  • Подключение Google Sheets8:50

    Подключение Google Sheets к Power BI через сторонний сервис MyBI Connect, поскольку прямого коннектора к Google Sheets у Power BI нет. Загруженные данные приходят в формате JSON одной строкой, преобразуются в столбцы средствами Power Query и связываются со вспомогательной таблицей-каталогом менеджеров для построения диаграммы продаж.

Частые вопросы

Об этом курсе

• Нужен ли опыт программирования, чтобы начать?

  Нет — курс начинается с объяснения формулы Excel как «чёрного ящика» и пошаговой установки Anaconda и PyCharm, шаги рассчитаны на человека без опыта программирования.

• Разбирается ли в курсе машинное обучение?

  Машинное обучение как отдельная практическая тема не разбирается — термин упоминается только как соседняя профессия и как названия готовых алгоритмов поиска аномалий, без их построения с нуля.

• Какие базы данных и форматы разбираются?

  Курс разбирает форматы CSV, JSON, Pickle, HDF5, Excel и базы SQLite, PostgreSQL и MongoDB — с объяснением, чем они отличаются и когда какую применять.

• Есть ли практика по веб-аналитике?

  Да — отдельные разделы разбирают воронку продаж и кликстрим на реальном кейсе, а также сравнивают Google Analytics и Яндекс.Метрику.

• Чем курс заканчивается?

  Курс заканчивается построением отчёта в Power BI: соединением нескольких таблиц по модели «Звезда» и подключением внешнего источника данных — Google Таблиц.

• Нужны ли платные программы для прохождения курса?

  Нет — курс использует бесплатные версии инструментов: Anaconda, PyCharm Community и Power BI Desktop; платные серверные версии вроде Power BI Server и Tableau Server в курсе почти не изучаются.

Доступ и материалы

• Когда и как я получу доступ к курсу?

  Сразу после оплаты, в ту же секунду и автоматически. Ждать подтверждения не нужно. Доступ приходит двумя путями сразу. Первый: на почту, указанную при оформлении заказа, приходит письмо со ссылкой на материалы. Второй: та же ссылка появляется в вашем аккаунте на сайте, в разделе «Загрузки», и остаётся там постоянно.

• Где хранятся материалы курса?

  Все видео и дополнительные файлы лежат в облачном хранилище. Ссылка на него — в вашем аккаунте на сайте, раздел «Загрузки», и в письме, которое пришло после оплаты. Аккаунт здесь — не формальность, а способ доставки: курс остаётся в нём навсегда. Даже если письмо потерялось или вы вспомнили о покупке через год, ссылка будет на месте.

• Можно ли скачать материалы или только смотреть онлайн?

  Скачивать можно и нужно. Мы рекомендуем сохранить видео на компьютер и смотреть оттуда. Причина простая: облачное хранилище не рассчитано на просмотр видео. Иногда оно позволяет включить ролик прямо в браузере, но качество при этом заметно хуже исходного. На своём компьютере вы увидите курс таким, каким его записывали.

• Как долго действует доступ?

  Бессрочно. Курс остаётся вашим навсегда, возвращаться к нему можно сколько угодно раз. Если через год или два ссылка вдруг перестанет открываться по техническим причинам — напишите на info@siluette.com.ua, мы её восстановим.

• Письмо с доступом не пришло — что делать?

  Прежде всего: доступ у вас есть в любом случае. Войдите на сайт и откройте раздел «Загрузки» — ссылка на курс уже там, независимо от того, дошло письмо или нет. Чаще всего письмо теряется из-за опечатки в адресе при оформлении заказа. Ещё стоит заглянуть в папку «Спам». Не разбирается — не тратьте время: напишите на info@siluette.com.ua или в чат в правом нижнем углу сайта, мы поможем.

• На каких устройствах смотреть курс?

  Лучше всего на компьютере или ноутбуке: скачайте видео и откройте любым привычным плеером. Понадобятся установленные видеокодеки — на большинстве компьютеров они уже есть. Скачать курс можно на сколько угодно устройств. А вот телефон мы не советуем, и по двум причинам. На маленьком экране плохо видно детали, особенно если в уроке показывают интерфейс программы. И на телефонах часто нет кодеков для форматов, в которых записаны видео.

Оплата и возврат

• Какими способами можно оплатить?

  Банковской картой Visa, MasterCard или Prostir, через Google Pay, Apple Pay, Masterpass, Visa Checkout, платёжный QR-код, Botpay в Telegram или Privat24. Есть и оплата частями: Монобанк (3 или 4 платежа), А-Банк (2, 3 или 4 платежа и рассрочка), Банк Глобус (8 платежей), «Скибочка» от OTP Bank (3 платежа), мгновенная рассрочка и оплата частями от ПриватБанка.

• Примут ли карту, выпущенную не в Украине?

  Да. Платёжная система принимает карты из Евросоюза и любых других стран. Одна деталь, о которой часто забывают: банк может попросить подтвердить платёж — в мобильном приложении или кодом из СМС. Если оплата не проходит, проверьте приложение банка и сообщения.

• Как работает скидка 20% при покупке нескольких курсов?

  Добавьте в корзину два курса или больше — скидка применится автоматически ко всем товарам в корзине. Два курса: минус 20% на оба. Пять курсов: минус 20% на все пять. Скидка сочетается с любыми акционными ценами и действует на весь каталог без исключений.

• Можно ли вернуть курс или деньги?

  Цифровые товары возврату и обмену не подлежат. Это общее правило для всех электронных товаров в Украине — постановление Кабинета Министров № 172 от 19 марта 1994 года. При этом мы всегда на связи. Если доступ не открывается, ссылка перестала работать или файлы повреждены — напишите на info@siluette.com.ua, укажите дату и номер заказа. Восстановим. Если что-то непонятно в самом курсе, тоже пишите — подскажем.

• Можно ли оплатить от организации по счёту?

  Пока нет. Мы работаем только с частными покупателями — безналичной оплаты по счёту от юридических лиц сейчас нет.

Как проходит обучение

• Есть ли обратная связь с преподавателем и проверка заданий?

  Нет. Все курсы — это записи уроков для самостоятельного изучения: преподаватель не отвечает на вопросы и не проверяет домашние задания. Именно поэтому курсы стоят намного дешевле обучения с куратором. Вы получаете тот же материал, но занимаетесь сами и в своём темпе.

• Выдаётся ли сертификат?

  Да, цифровой сертификат — по запросу и бесплатно. Напишите на info@siluette.com.ua, укажите имя и фамилию ровно в том виде, в каком хотите видеть их в сертификате, и мы пришлём его в течение суток.

• Нужен ли опыт, чтобы начать?

  Для большинства курсов — нет. Они рассчитаны на начальный уровень и объясняют с азов. Если курс требует подготовки, это сказано в его описании.

• Есть ли сроки прохождения курса?

  Нет. Ни дедлайнов, ни расписания, ни сгорающего доступа. Скачали — смотрите когда удобно, с любыми перерывами.

• Можно ли поделиться курсом с другим человеком?

  Курс покупается для личного использования, и мы просим относиться к этому по-человечески: за каждым уроком стоит работа, а цена и так сильно снижена.

Поддержка

• Куда писать, если что-то не работает?

  Лучше всего на info@siluette.com.ua. Есть и чат в правом нижнем углу сайта, но почта надёжнее: там можно всё описать подробно и приложить скриншоты. Просьба: опишите, что именно вы делали и что пошло не так, и приложите снимок экрана с ошибкой. Так мы решим вопрос сразу, а не будем полдня выяснять, что произошло.

• Как быстро отвечает поддержка?

  В рабочее время, с 9:00 до 19:00, на почту обычно отвечаем в течение часа, в чате — за пару минут. После 19:00 тоже случается, но время ответа не обещаем.