Профессия Аналитик Данных: SQL, Python и Big Data с нуля

Что вы сможете после курса

• Проверять данные статистикой: распределения, доверительные интервалы, Z- и t-тесты, ANOVA — и объяснять руководству, что стоит за цифрами
• Доставать данные из баз самостоятельно: SELECT, JOIN, агрегатные и оконные функции, представления и полнотекстовый поиск в PostgreSQL
• Писать аналитический код на Python: pandas, NumPy, группировки, сводные таблицы и графики в matplotlib, seaborn и plotly
• Корректно проверять гипотезы: дизайн АБ-теста, размер выборки, p-value и типичные ловушки выводов
• Говорить с бизнесом на языке метрик: AARRR, юнит-экономика, LTV, пирамида метрик и требования к отчётности
• Собирать дашборды в Google Data Studio и понимать, как устроены Hadoop, Spark и работа с большими массивами данных

Кому подойдёт курс

Курс не про глубокий Data Science: машинное обучение дано обзорно, нейросетей в программе нет. Практики в платных BI-системах тоже нет — дашборды собираются в бесплатном Google Data Studio.

Как проходит обучение

• Видеоуроки и домашние задания к каждому уроку — Темы закрепляются практикой; домашние работы проверяются — зачёт или доработка, как в карточках уроков курса
• Практика на реальных датасетах — Работаете с данными о грузоперевозках, фильмах, пассажирах Титаника, банковских транзакциях и датасетами Kaggle — как в настоящих задачах
• Инструменты ставятся на ваш компьютер — Установка Python, Anaconda, Git и Docker разобрана по шагам для Windows — окружение аналитика настраиваете сами
• Разборы лабораторных и датасетов слушателей — Видите, что у одной задачи бывает несколько равноправных решений, а свой набор данных готовите по правилам машинной обработки
• Итоговая работа — готовый дашборд — К концу курса у вас работа для портфолио: управленческий дашборд в Google Data Studio с фильтрами и доступом по ссылке

Что понадобится для обучения

• Компьютер с Windows: установка Python, Git и Anaconda разобрана в отдельных уроках
• Бесплатные инструменты: Python, Anaconda и Jupyter Notebook, DBeaver, Docker, Google Colab и Google Data Studio
• Google-аккаунт для Google Таблиц, Colab и Data Studio

Почему по одиночным роликам обычно не выходит

Аналитику данных нужно одновременно держать в голове статистику, SQL, Python и язык бизнеса. Собирать это по отдельным статьям и роликам можно годами: знания остаются кусками и на реальной задаче — от грязного CSV до вывода для руководства — не складываются сами.

Из данных легко сделать неверный вывод: курс начинается с разбора известных провалов интерпретации показателей, ловушек АБ-тестов и ошибок первого и второго рода. Программа ведёт по полному циклу работы аналитика — требование заказчика, данные, проверка гипотез, отчёт и дашборд — и на каждом шаге отрабатывается на датасетах и домашних заданиях с проверкой.

Что изменится после курса

Как устроен путь

1. База: статистика и мышление Разбираете инструменты профессии и математическую статистику — распределения, гипотезы, тесты — на кейсах реальных бизнесов и собственных датасетах
2. Данные: SQL и базы Ставите Docker с PostgreSQL, подключаетесь через DBeaver и доходите от первого SELECT до оконных функций, представлений и MongoDB
3. Код: Python и математика От первых программ до pandas, NumPy, визуализации и статистических тестов; домашние работы с проверкой и разборы лабораторных
4. Результат: метрики, дашборд, большие данные Переводите цели бизнеса в метрики, проектируете АБ-тесты и собираете итоговый дашборд в Google Data Studio; финальный блок — основы больших данных: Hadoop, Spark, PySpark

Программа курса

62 урока · 5 модулей · 97 часов 45 минут видео · Путь идёт от статистики и SQL к Python, работе в команде и большим данным; каждый блок — практика, домашние задания и разборы

• Статистическая база: как данные доказывают бизнес-решения 4 урока

  Профессия аналитика с нуля: компетенции и рынок инструментов, распределения и проверка гипотез, АБ-тесты и разбор кейсов реальных бизнесов — плюс занятие по датасетам самих слушателей.

  • Профессия аналитика: роль, компетенции, инструменты 1 урок

    Что такое анализ данных и чем он отличается от статистики, Data Science и бизнес-аналитики; категории инструментов от Excel до Python и R. Практика — первые статистики по набору данных о грузоперевозках.

    • Профессия аналитика данных1:44:56

      Вводное занятие о профессии аналитика данных: как анализ связан со статистикой, Data Science и бизнес-аналитикой, чем отличаются data-driven и data-informed подходы и из каких навыков и категорий инструментов состоит работа аналитика. В практической части — набор данных о грузоперевозках: дискретные и непрерывные переменные, гранулярность и агрегация, расчёт базовых статистик, квартилей, процентилей и гистограммы по весу грузов.

  • Почему из данных делают неверные выводы 1 урок

    Распределения вероятностей, ошибки первого и второго рода, центральная предельная теорема — и разбор известных кейсов, где неверная интерпретация показателей обошлась бизнесу дорого.

    • Распределения, гипотезы и ошибки выводов2:13:07

      Занятие вводит математическую статистику, на которой держится аналитика: распределения вероятностей, проверку гипотез с ошибками первого и второго рода, уровни значимости и доверия, центральную предельную теорему. Разбор известных кейсов показывает, откуда берутся ошибочные выводы из данных, а задача о срочной перевозке доводится до расчёта z-критерия и вероятности по Z-таблице.

  • Первые тесты и АБ-тестирование на кейсах 1 урок

    Z-тест на споре о доле своевременных доставок, доверительные интервалы конверсий и ловушка подглядывания в АБ-тестах; практика в Gretl на данных о ценах на квартиры.

    • Статистические тесты и АБ-тестирование1:42:13

      Практика связывает статистику с задачами аналитика: Z-тест для спора о доле своевременных доставок, доверительные интервалы, механика АБ-тестирования с проблемой подглядывания и расчётом размера выборки. Далее — корреляция и коэффициент Пирсона, а в Gretl — исследование датасета цен на квартиры: сводные статистики, гистограмма, бокс-плоты по факторам и корреляционная матрица.

  • Разбор ваших датасетов и правила подготовки данных 1 урок

    Приносите собственные наборы данных: разбираем их пригодность для методов курса и формулируем правила подготовки — форматы дат, единая структура, отсечение выбросов.

    • Разбор датасетов слушателей1:46:35

      Дополнительное занятие разбирает датасеты слушателей в Gretl и оценивает пригодность наборов для изученных методов. Попутно формулируются правила подготовки данных: единая структура, раскладка дат на компоненты, отказ от посторонних сведений и предрасчётов; на наборах о продажах, прокате велосипедов и других отрабатываются гистограммы, бокс-плоты, отсечение выбросов и кластеризация методом k-средних.

• SQL с нуля до оконных функций на учебной базе PostgreSQL 6 уроков

  Ставите Docker и DBeaver, подключаетесь к учебной базе DVD Rental и доходите от первого SELECT до соединений, агрегатных и оконных функций, представлений, полнотекстового поиска и MongoDB.

  • Первое подключение к базе данных 1 урок

    Знакомство с базами данных и СУБД, установка Docker с Kitematic и DBeaver, подключение к учебной базе PostgreSQL и выполнение первого запроса SELECT.

    • Введение в SQL и настройка окружения1:11:44

      Знакомство с базами данных, реляционной моделью и задачами СУБД: целостность, транзакции, восстановление после сбоев, разграничение доступа. Окружение собирается на Docker с графическим интерфейсом Kitematic: разворачивается учебный контейнер PostgreSQL, в DBeaver настраивается подключение к базе DVD Rental и изучается ER-диаграмма. В редакторе SQL выполняются первые запросы SELECT, а в домашней работе то же повторяется на втором датасете со скриншотами ER-диаграммы и результата запроса.

  • Как устроена реляционная база 1 урок

    Свойства таблиц, первичные и внешние ключи, нормальные формы и типы данных PostgreSQL; извлечение данных запросами SELECT с сортировкой и фильтрацией.

    • Устройство реляционной базы и запросы SELECT1:18:49

      Разбирается устройство реляционной базы: свойства таблиц, первичные и внешние ключи, ссылочная целостность, нормализация до третьей нормальной формы и типы данных PostgreSQL. Отрабатываются запросы SELECT с псевдонимами, вычисляемыми выражениями, сортировкой ORDER BY, отбором неповторяющихся строк DISTINCT и фильтрацией WHERE. Домашнее задание — перечислить таблицы базы с первичными ключами, вывести неактивных покупателей и сравнить OFFSET с LIMIT.

  • Соединения, агрегаты и оконные функции 1 урок

    Все виды JOIN на наглядной модели двух корзин, агрегатные функции с группировкой и фильтрацией групп, подзапросы трёх форм и оконные вычисления.

    • Соединения таблиц, агрегатные и оконные функции2:12:25

      На учебной модели из двух корзин с фруктами разбираются все виды соединений таблиц: внутреннее, CROSS JOIN, левое, правое и полное внешнее с поиском непарных записей через NULL. Затем агрегатные функции COUNT, SUM, MAX, MIN и AVG с группировкой GROUP BY и фильтрацией HAVING, подзапросы трёх форм и оконные функции с OVER, PARTITION BY и ROW_NUMBER. Связи для практики подсказывает ER-диаграмма учебной базы.

  • Проектируем таблицы и представления 1 урок

    Создание и изменение таблиц, ограничения столбцов, вставка, обновление и удаление данных, обобщённые табличные выражения и представления.

    • Таблицы и представления в SQL1:44:03

      Таблицы создаются через CREATE TABLE и изменяются через ALTER TABLE с ограничениями PRIMARY KEY, UNIQUE, NOT NULL, DEFAULT и CHECK; данные вставляются, обновляются и удаляются командами INSERT, UPDATE и DELETE с RETURNING. Разбираются обобщённые табличные выражения WITH, включая рекурсивные для данных в виде деревьев, и представления CREATE VIEW, хранящиеся в базе как сохранённые запросы. Домашнее задание — спроектировать небольшую базу из трёх сущностей, создать и заполнить таблицы, прислать скрипты; дополнительно выдаются две задачи на рекурсивные выражения.

  • Полнотекстовый поиск и хранимые функции 1 урок

    Типы tsvector и tsquery, ранжирование и GIN-индексы; пишем хранимые функции на SQL и PL/pgSQL с использованием курсоров.

    • Полнотекстовый поиск и хранимые функции в PostgreSQL2:04:53

      Разбирается полнотекстовый поиск в PostgreSQL: типы tsvector и tsquery, конфигурация для русского языка со стоп-словами и лексемами, оператор сопоставления @@, ранжирование по релевантности, выделение найденных фрагментов ts_headline и GIN-индекс. Затем хранимые функции на SQL и PL/pgSQL с входными и выходными параметрами, returns setof и returns table, а также курсоры для построчной обработки выборок. Домашнее задание — таблица аннотаций к фильмам с внешним ключом и функция полнотекстового поиска по ним.

  • NoSQL и первые шаги в MongoDB 1 урок

    Теорема CAP и пять типов нереляционных баз; документы и коллекции, вставка, поиск с операторами, обновление и связывание документов.

    • NoSQL-подход и основы MongoDB2:37:31

      NoSQL-подход вводится через теорему CAP и пять типов нереляционных баз: хранилища ключ-значение, документные, графовые, в памяти и поисковые. Основная часть — MongoDB: документы и коллекции вместо таблиц со схемами, автоматически генерируемый идентификатор _id, вставка insertOne и insertMany, выборка find с логическими и сравнительными операторами, проекцией и поиском по массивам, обновление через set и unset, связывание документов ссылками и DBRef. Практика идёт в оболочке MongoDB, а в конце сравниваются критерии выбора между реляционной СУБД и NoSQL.

• Python для анализа данных: от первой программы до статистических моделей 30 уроков

  Самый большой блок курса: базовый синтаксис и окружение аналитика, pandas и NumPy, визуализация, описательная статистика, центральная предельная теорема, тесты гипотез и кейс-стади на датасетах Kaggle.

  • Старт: первые программы и рабочее окружение 4 урока

    Знакомство с Python в онлайн-интерпретаторе Replit, настройка Jupyter Notebook через Anaconda и пошаговая установка Git и Python на Windows.

    • Гостевая лекция – Знакомство с Python57:08

      Знакомство с Python: почему язык популярен и где применяется, чем интерпретируемый язык с динамической типизацией отличается от компилируемых, и почему для обучения выбирается третья версия. Первые шаги — в онлайн-интерпретаторе Replit: вывод на экран функцией print, арифметические операции, переменные, ввод данных, преобразование типов и комментарии.

    • Дополнительная лекция – Python1:50:27

      Практическое занятие аналитика: настройка Jupyter Notebook через Anaconda, где код выполняется по ячейкам, а рядом с ним живут визуализации и отчёты. Базовый синтаксис Python повторяется на упражнениях — срезы, булев тип, библиотека math, форматированный вывод, — плюс обработка больших файлов из командной строки и основы совместной работы в git.

    • Установка Git на Windows4:25

      Установка системы контроля версий Git на Windows: скачивание установщика с официального сайта и установка мастером. После установки репозиторий с файлами домашних заданий клонируется командой git clone, а для повседневной работы рекомендуется командная строка Git Bash.

    • Установка Python на Windows5:14

      Установка Python на Windows: скачивание установщика с официального сайта с обязательной отметкой Add Python to Path. Установка проверяется в командной строке: команда python выводит версию языка, а первый вывод Hello World подтверждает работоспособность интерпретатора.

  • Гостевые лекции практиков: Git, Python и ООП 8 уроков

    Практики разбирают контроль версий и Git Flow, синтаксис Python, коллекции и условные конструкции, объектно-ориентированное программирование с классами и наследованием.

    • Организация рабочего процесса1:29:33

      Урок сводит ветвление и слияние в единый рабочий процесс: переходы по истории проекта командой checkout, ветки как указатели на коммиты и разбор конфликтов слияния. Показывается схема Git Flow с ролями веток master, develop, feature, release и hotfix для параллельной командной работы.

    • Контроль версий кода на примере системы Git2:32:38

      Вводный урок о контроле версий: зачем проекту система контроля версий, установка и настройка Git, создание репозитория командой init. Разбираются связь локального и удалённого репозитория на хостинге, состояния файлов и базовые команды — add, commit, push, pull, log, diff.

    • Знакомство с Python57:08

      Вводное занятие по языку: сферы применения Python, интерпретируемость и динамическая типизация, несовместимость второй и третьей версий. Первые программы пишутся в онлайн-интерпретаторе Replit: вывод на экран, арифметические операции, переменные, ввод данных, преобразование типов и комментарии.

    • Условные конструкции. Операции сравнения51:53

      Лекция объясняет операции сравнения с булевым результатом и управление выполнением программы: ветвления из if, elif и else с учётом отступов Python. Разбираются логические операции, приведение выражений к булеву типу и запись условий цепочкой.

    • Введение в типы данных и циклы1:34:37

      Урок систематизирует типы данных Python — числа, строки, логический тип, списки и кортежи — с индексацией, срезами и преобразованиями. Вводятся циклы while и for, оператор break и вложенные конструкции, разобранные на расчёте средней температуры.

    • Циклы. Типы данных. Коллекции данных1:29:41

      Занятие посвящено словарям и множествам: доступ по ключу, методы get, keys, values и items, неповторяемость элементов и операции теории множеств — объединение, пересечение, разность. Практический кейс — подбор квартиры из CSV-выгрузки: чтение файла, фильтр по бюджету, сбор неповторяющихся станций метро и словарь со списками квартир.

    • Классы и их применение в Python-11:49:08

      Лекция вводит объектно-ориентированное программирование: класс как чертёж, объект с состоянием, атрибуты, методы и интерфейс. Разбираются абстрагирование, инкапсуляция, наследование и полиморфизм, после чего понятия переносятся в код на Python: объявление класса, параметр self и инициализатор.

    • Классы и их применение в Python-21:23:43

      Лекция повторяет понятия ООП и переносит их в код: механизм self, инициализатор, словари атрибутов, наследование и порядок разрешения методов MRO. Показываются магические методы, делающие объекты сравнимыми и складываемыми, и ловушка общего изменяемого значения по умолчанию.

  • Первые программы в Jupyter Notebook 1 урок

    Установка Anaconda, ячейки и автодополнение Jupyter, переменные, числа, строки, булевы проверки, срезы и форматированный вывод.

    • Введение в Python и Jupyter Notebook1:55:43

      Первое занятие: установка дистрибутива Anaconda и запуск Jupyter Notebook, договорённости о работе курса и первые шаги в Python — переменные, числа, строки, булевы проверки, срезы, библиотека math и форматированный вывод. Домашнее задание выкладывается на GitHub, вопросы решаются в Slack.

  • Коллекции Python в работе аналитика 1 урок

    Списки, срезы и цикл for, функция range и итераторы, распаковка и копирование объектов, кортежи и множества — и ускорение поиска пересечений множеством.

    • Списки, кортежи, множества и циклы в Python1:45:38

      Практика работы с коллекциями: списки, срезы и цикл for, функция range и итераторы, распаковка и настоящее копирование объектов через библиотеку copy, кортежи и множества. Разбирается ускорение поиска пересечений множеством на сравнении миллионов идентификаторов, а результаты записываются в Excel библиотекой OpenPyXL.

  • Свои функции и первые тесты 1 урок

    Устройство словарей и подсчёт частот, чтение файлов, собственные функции с аргументами со звёздочками, рекурсия, тесты и первые классы.

    • Словари и функции в Python1:58:12

      Занятие завершает тему словарей и переходит к собственным функциям: устройство словарей и подсчёт частот как аналог SQL-группировки, построчное чтение файлов, объявление функций через def и проверка их тестами. Дополнительно — сортировка с лямбдами, аргументы со звёздочками, рекурсия, тесты pytest и первые классы.

  • Даты и время без ошибок 1 урок

    Перевод строк в даты через strptime и обратно через strftime, интервалы timedelta, проход по периоду циклом и обработка ошибок try/except.

    • Даты и время в Python1:57:06

      Урок учит переводить строки в даты методом strptime и обратно через strftime, сдвигать даты интервалами timedelta и проходить периоды циклом. Отдельное внимание — часовым поясам, формату Unix time и защите скриптов от падений конструкцией try/except; в упражнениях считаются метрики по логу покупок.

  • NumPy: векторы, матрицы и рекомендации 1 урок

    Массивы и их формы, скалярное произведение и косинусная близость — на них собирается мини-рекомендательная система; умножение матриц и линейные уравнения.

    • NumPy: массивы, векторы и матрицы2:02:04

      Занятие по NumPy: массивы и их формы, генераторы таблиц, поэлементные операции, умножение матриц и решение систем линейных уравнений. Пользователи и товары сводятся к векторам, близость оценивается косинусным расстоянием — на этой идее строится мини-рекомендательная система; в конце — обзор возможностей pandas.

  • pandas: функции, группировки, объединение таблиц 1 урок

    apply и лямбда-функции, разбор UTM-меток рекламных ссылок, группировки со сводными таблицами и корректный merge датафреймов без дубликатов.

    • Функции, группировки и объединение таблиц в pandas2:01:15

      Второе занятие по pandas: применение собственных и лямбда-функций через apply и разбор UTM-меток рекламных ссылок библиотекой urllib. Разбираются группировки groupby со сводными таблицами и объединение датафреймов методом merge с проверкой числа строк на дубликаты ключей.

  • Прикладные приёмы: JSON, логирование, доступ к базам 1 урок

    Пошаговый разбор вложенных структур и JSON из API, библиотека logging, доступ к базам данных извне и хэширование персональных данных.

    • Вложенные структуры, логирование и базы данных1:46:06

      Прикладное занятие: пошаговый разбор вложенных списков, словарей и JSON из API, экономные алгоритмы по отсортированным данным и библиотека logging вместо print. Показываются шаги получения доступа к базе данных извне, выполнение запросов через курсор и хэширование персональных данных с солью.

  • Графики, которые не искажают данные 2 урока

    Как выбирать тип диаграммы под задачу и практика построения графиков в Matplotlib и Pandas; гостевая лекция добавляет seaborn и plotly.

    • Гостевая лекция – Визуализация данных в Python2:16:02

      Лекция о визуализации: как выбирать типы графиков под задачу, какими средствами кодируются данные на диаграммах и почему круговые и трёхмерные графики искажают восприятие. В практической части графики строятся в matplotlib, pandas, seaborn и plotly — от линейных и столбчатых до боксплотов и тепловых карт.

    • Визуализация данных в Matplotlib и Pandas1:53:42

      Лекция объясняет, зачем нужна визуализация и как выбирать тип диаграммы, чтобы не искажать восприятие; квартет Анскома показывает, как одинаковые статистики скрывают разные данные. В практической части строятся первые графики в Matplotlib и Pandas: линейные, столбчатые с накоплением, гистограммы и боксплоты, включая чтение ящика с усами.

  • Разбор лабораторной: несколько решений одной задачи 1 урок

    Пошаговый разбор задач: сумма по условию, работа со строками, случайные числа, матрицы в NumPy и словари студентов.

    • Разбор лабораторной работы по Python1:01:19

      Пошаговый разбор лабораторной работы по Python: сумма по условию, работа со строками, генерация случайных чисел, матрицы в NumPy и словари студентов. Показывается, что у одной задачи бывает несколько равноправных решений, а поиск готовых ответов и применение модулей — нормальная рабочая практика.

  • Seaborn и интерактивный Plotly 1 урок

    Статистические графики pairplot, jointplot, boxplot, heatmap и интерактивные трейсы и layout Plotly; в финале — подборка книг по анализу данных.

    • Визуализация в Seaborn и Plotly1:17:04

      Дополнительная лекция завершает тему визуализации: статистические графики Seaborn — pairplot, displot, jointplot, boxplot, heatmap — и интерактивная Plotly с трейсами, layout, bubble chart и выпадающими меню. В финале — подборка книг по Python, анализу данных и подаче графиков.

  • Ответы на вопросы по Python и pandas 1 урок

    Сессия вопросов слушателей: области видимости, изменяемость типов, выборки loc и iloc, ресемплинг по датам, мультииндекс и основы классов.

    • Разбор вопросов по Python и Pandas2:12:38

      Сессия ответов на вопросы слушателей по Python и Pandas: области видимости, изменяемость типов данных, выборки loc и iloc, ресемплинг по датам, apply-методы, мультииндекс и основы классов. Каждый вопрос разбирается на живых примерах кода.

  • Описательная статистика и распределения в коде 1 урок

    Считаем базовые статистики на таблице фильмов, разбираем нормальное и равномерное распределения, коэффициент корреляции Пирсона и нормализацию данных.

    • Описательная статистика и виды распределений1:55:01

      Урок вводит базовые понятия описательной статистики — математическое ожидание, медиану, моду, стандартное отклонение — и считает их в Python на таблице фильмов. Разбираются нормальное и равномерное распределения, коэффициент корреляции Пирсона, ложные корреляции и нормализация данных перед сравнением выборок.

  • Центральная предельная теорема на практике 1 урок

    Показываем теорему на коде: суммы выборок из любых распределений сходятся к нормальному; матрицы ковариации и корреляции и дискретные распределения.

    • Центральная предельная теорема и виды распределений2:27:51

      Занятие показывает на коде центральную предельную теорему: суммы выборок из любых распределений с ростом объёма сходятся к нормальному. Попутно разбираются матрицы ковариации и корреляции, собственные векторы и дискретные распределения — Бернулли, биномиальное, геометрическое, распределение Стьюдента.

  • Проверка гипотез: t-критерий, ANOVA и регрессия 1 урок

    Строим предсказывающие модели на данных о сердечных болезнях и проверяем различия выборок t-критериями, ANOVA и непараметрическими методами по p-value.

    • Проверка гипотез: t-критерий, ANOVA и регрессия2:01:41

      Занятие соединяет линейную регрессию со статистическими тестами: на данных о сердечных болезнях строятся предсказывающие модели, а различия выборок проверяются t-критерием Стьюдента, ANOVA и непараметрическими методами по p-value. Разбираются нулевая и альтернативная гипотезы, ошибки первого и второго рода и применение тестов в A/B-экспериментах.

  • Полный цикл анализа на данных об автомобилях 1 урок

    Описательные показатели, корреляции и профилирование таблицы завершаются разбором видов t-теста, его предпосылок и чтением p-value.

    • Разбор лабораторной работы по статистике36:24

      Разбор лабораторной работы по статистике на данных об автомобилях: описательные показатели, корреляции и профилирование таблицы Pandas Profiling. Подробно объясняются три вида t-теста, его предпосылки и чтение p-value при проверке нулевой гипотезы.

  • Кейс-стади: подготовка данных к моделированию 1 урок

    Датасеты Kaggle: распределения и корреляции переходят в подготовку данных — нормализация, удаление дублирующих признаков, пропуски и кодирование категорий.

    • Кейс-стади: датасеты Kaggle и подготовка данных2:11:27

      Кейс-стади на датасетах Kaggle: анализ распределений и корреляций переходит в подготовку данных к моделированию — нормализация, удаление дублирующих признаков, заполнение пропусков, извлечение признаков и кодирование категорий. Приёмы отрабатываются на датасетах стальных пластин, Titanic и бостонских домов, после чего обучаются регрессионные модели.

  • Кейс-стади: регрессии и метрики качества моделей 1 урок

    Линейная и логистическая регрессии на данных об успеваемости, ирисах и банковских транзакциях; precision и recall и борьба с несбалансированными классами.

    • Кейс-стади: линейная и логистическая регрессии2:04:59

      Завершающий кейс по статистике: линейная и логистическая регрессии обучаются на данных об успеваемости студентов, ирисах и транзакциях по кредитным картам. Разбираются метрики качества моделей precision и recall и борьба с несбалансированными классами, в финале — визуальный анализ датасета топ-100 песен.

• Аналитик в команде: метрики, тесты и отчётность для бизнеса 12 уроков

  Переводим цели бизнеса в систему метрик, собираем требования по методологии BABOK, проектируем АБ-тесты и строим итоговый управленческий дашборд в Google Data Studio.

  • Цели бизнеса превращаются в метрики 1 урок

    Культура работы с данными, классификация метрик, дашборды верхнего уровня и воронка AARRR на примере интернет-магазина.

    • Цели бизнеса и метрики компании2:16:46

      Урок показывает, как цели бизнеса — рост доходов, снижение расходов, повышение капитализации — раскладываются на измеримые показатели подразделений и каскадируются в KPI по SMART. Разбираются культура работы с данными, единый источник правды и корпоративный глоссарий, классификация метрик и фреймворк AARRR. В задании нужно подобрать и обосновать метрики всех пяти этапов воронки AARRR для выбранного интернет-магазина.

  • Язык финансов для аналитика 1 урок

    Бюджетирование и учёт, что показывают БДР, БДДС и баланс, формула Дюпона и связка финансовых показателей с нефинансовыми.

    • Финансовые метрики и бюджетирование2:04:00

      Урок знакомит с языком финансов: управленческий цикл планирования и план-фактного анализа, бюджетирование и центры финансовой ответственности, мастер-формы БДР, БДДС и прогнозный баланс. Разбираются виды учёта и финансовые метрики — формула Дюпона, EBITDA, ликвидность, чистые активы — а также связь финансовых показателей с нефинансовыми через сбалансированную систему показателей. В задании нужно собрать мини-баланс, посчитать чистые активы и коэффициент ликвидности и сделать вывод о платёжеспособности организации.

  • Маркетинг и продукт в цифрах 1 урок

    Жизненный цикл клиента, стоимости этапов воронки и ROMI, юнит-экономика, метрики роста и продукта, фреймворки HEART и Product Metric Canvas.

    • Маркетинговые и продуктовые метрики1:58:20

      Урок связывает маркетинговую аналитику с жизненным циклом клиента: метрики охвата, вовлечения, монетизации и удержания, стоимости этапов воронки CPC, CPA, CPO и CAC, расчёт ROMI. Разбираются юнит-экономика, различие метрик роста и метрик продукта, жизненный цикл продукта, фреймворк HEART и Product Metric Canvas. Домашнего задания к уроку нет: он даёт материал, который дальше собирается в пирамиду метрик.

  • Юнит-экономика, LTV и пирамида метрик 1 урок

    Декомпозиция юнит-экономики и LTV на факторы, польза иерархии метрик для дашбордов, North Star Metric, алерты и построение пирамиды.

    • Юнит-экономика, LTV и пирамида метрик2:05:56

      Урок углубляет юнит-экономику: формула дохода декомпозируется на факторы до семифакторной формулы валовой прибыли, в таблице собирается калькулятор чувствительности, а LTV рассчитывается по когортам — через конверсию в оплату, ARPPU и продолжительность жизни платящего клиента. Разбираются North Star Metric, алерты и иерархия метрик, задающая сценарий drill-down для дашборда. В задании нужно построить иерархию метрик для одного из стартапов глубиной три-четыре уровня.

  • От требования заказчика до отчёта 1 урок

    Как собирать и классифицировать требования и договариваться со стейкхолдерами по методологии BABOK — и превращать согласованные требования в спроектированную отчётность.

    • Требования к отчётности и data-driven подход2:18:46

      Урок связывает data-driven подход с работой аналитика: границы применимости данных, наведение порядка в нормативно-справочной информации, циклы проверки идей HADI и PDCA. Разбираются сбор и классификация функциональных и нефункциональных требований, работа со стейкхолдерами по своду знаний BABOK и проектирование отчёта по цепочке «цель — вопрос — задача — иерархия метрик — инструмент». В задании нужно составить план подготовки отчёта для HR-кейса о рисках увольнений: вопросы заказчику, источники данных, формат представления и разделы отчёта.

  • Гипотезы, канвасы и команды роста 1 урок

    Типы гипотез по воронке и критерии SMART, сбор бизнес-модели на канвасах, связка канваса с циклом HADI и устройство команд роста.

    • Продуктовые гипотезы, канвасы и команды роста2:12:53

      Урок учит превращать идеи в проверяемые продуктовые гипотезы: типы гипотез по этапам воронки — привлечение, активация, удержание, монетизация — и критерии SMART. Разбираются Business Model Canvas и Lean Startup Canvas, проблемное интервью, карта влияния, связка канваса с циклом HADI и устройство команд роста. В задании нужно построить Lean Startup Canvas собственной бизнес-идеи и записать HADI по ключевым гипотезам.

  • Проектируем АБ-тесты и бизнес-модели 1 урок

    Нулевая гипотеза и расчёт выборки, форматы AA, ABC и мультивариант; когда сплит-тест неприменим — альтернативная верификация и обзор бизнес-моделей монетизации.

    • Дизайн A/B-тестов и бизнес-модели2:00:29

      Урок про проектирование и чтение экспериментов: нулевая и альтернативная гипотезы, уровень значимости и статистическая мощность, расчёт размера выборки, форматы AA-, ABC- и мультивариантного тестирования. Разбираются применимость сплит-тестов, шаблон дизайна эксперимента, тесты операционных процессов и альтернативная верификация, когда сплит-тест неприменим, а также обзор бизнес-моделей монетизации. В задании нужно составить дизайн эксперимента по шаблону и обосновать выбор формата теста.

  • Отчётность под этап роста компании 1 урок

    Какая отчётность и аналитика нужны бизнесу на каждом этапе роста — от стартапа до крупной компании; оптимизация отчётов, читаемые дашборды и тестирование цен.

    • Оптимизация отчётности и дашборды2:14:41

      Урок объясняет, какая отчётность и аналитика нужны бизнесу на каждом этапе роста — от стартапа до очень крупной компании, и как оптимизировать существующие отчёты: аудит, реестр, отмену дублей и лишних согласований. Отдельно разбираются правила визуализации для дашбордов и тестирование цен сплит-тестами с построением кривой эластичности спроса. Задание запускает итоговую работу: анализ датасета интернет-магазина, определение ключевых метрик и стейкхолдеров и построение дашборда.

  • Итог работы: управленческий дашборд в Google Data Studio 4 урока

    От теории хороших дашбордов до готовой работы: подключение датасета, объединение таблиц по ключам, фильтры и диаграммы, проверка в деле и доступ получателям по ссылке.

    • Создание управленческого дашборда в Google Data Studio11:26

      Теоретическая основа итоговой работы: цель бизнеса раскладывается на иерархию метрик, метрика рассматривается как сигнал с шумом, разбираются её свойства — направленность, чувствительность, интерпретируемость, надёжность. Отдельные темы — признаки хорошего дашборда и подготовка датасета к анализу, в конце — знакомство с бесплатным Google Data Studio.

    • Создание управленческого дашборда в Google Data Studio9:07

      Практика в Google Data Studio: датасет о фильмах подключается через коннектор Google-таблиц, разрозненные листы объединяются в представления по ключам пользователя и фильма. Начинается сборка дашборда с фильтрами и первыми визуализациями — для социально-демографического портрета аудитории и рейтинга фильмов.

    • Создание управленческого дашборда в Google Data Studio-36:12

      Продолжение сборки дашборда: фильтр по полу на объединённой таблице пользователей и две гистограммы — распределение аудитории по роду занятий и возрасту и средние рейтинги фильмов с сортировкой по числу неповторяющихся голосов. Настраиваются агрегация без повторов, стиль и оформление диаграмм.

    • Создание управленческого дашборда в Google Data Studio-41:45

      Собранный дашборд проверяется в работе: всплывающие подсказки при наведении, перестроение диаграмм под гендерным фильтром и подписи значений на диаграмме рейтингов. Доступ к дашборду открывается по ссылке — по тому же принципу, что в Google Docs, — и рассылается получателям.

• Большие данные: архитектуры, Hadoop и Spark на практике 10 уроков

  Характеристики больших данных, Data Warehouse и Data Lake, NoSQL и MongoDB, Hadoop и MapReduce и практика PySpark — от базовых операций до рекомендательной системы.

  • От Excel и SQL к пайплайну данных 1 урок

    Как устроена работа с данными в компании — от бизнес-анализа на Excel и SQL до пайплайна, превращающего сырые данные в бизнес-ценность, и почему к большим данным приходят постепенно.

    • Большие данные: традиционные аналитические подходы1:22:54

      Вводная лекция блока: как сырые данные из множества источников превращаются пайплайном в бизнес-ценность — отчёты, рекомендации, автоматизацию. Разбираются традиционные подходы: бизнес-анализ сводными таблицами в Excel и Google Spreadsheets, реляционные базы с SQL, BI-системы Power BI и Tableau. Даны обзор программы блока и формат работы с практикой и домашними заданиями.

  • Обзор машинного обучения с практикой 1 урок

    Данные как объекты с признаками, классификация, регрессия и кластеризация; в Google Colab датасет Титаника предобрабатывается в pandas и обучаются три модели.

    • Машинное обучение с практикой на Python1:32:50

      Обзор машинного обучения: данные как объекты с признаками и три типа задач — классификация, регрессия, кластеризация. В Google Colab датасет «Титаника» предобрабатывается в pandas (пропуски, one-hot кодирование, масштабирование), затем обучаются логистическая регрессия, дерево решений и метод опорных векторов, а качество измеряется accuracy, precision, recall и F-мерой. Домашнее задание — самостоятельно решить задачу регрессии и оценить её метриками.

  • Шесть V и архитектуры больших данных 1 урок

    Масштабирование шардированием и репликацией, доставка кода к данным, хранилища Data Warehouse и Data Lake, виды обработки и облачные модели услуг.

    • Большие данные: шесть V, архитектуры и облака1:32:50

      Теоретический обзор больших данных: характеристики шести-семи V, масштабирование шардированием и репликацией, доставка кода к данным в массово-параллельной архитектуре Shared Nothing. Разбираются распределённые файловые системы вроде HDFS и Amazon S3, хранилища Data Warehouse и Data Lake, пакетная, потоковая и микро-пакетная обработка, облачные модели IaaS, PaaS и SaaS. Домашнее задание — спроектировать архитектуру Data Warehouse для собственного кейса.

  • CAP-теорема и MongoDB в деле 1 урок

    Компромисс между согласованностью и доступностью, обзор типов нереляционных хранилищ и практика MongoDB: документы, запросы с операторами, массивы и агрегация.

    • NoSQL-подход и MongoDB: документы, запросы, агрегация1:22:36

      Знакомство с NoSQL-подходом: CAP-теорема и компромисс между согласованностью и доступностью, подход BASE и обзор четырёх типов нереляционных хранилищ — документных, графовых, ключ-значение и колоночных. Основная часть посвящена MongoDB: документы и коллекции без схемы, запросы с операторами, работа с массивами, обновления и агрегация тремя способами, включая конвейер и MapReduce. Домашнее задание — создать базу товаров и выполнить расчёты в онлайн-терминале MongoDB.

  • Hadoop и MapReduce: как устроен стек 1 урок

    Как Hadoop хранит файлы в распределённой файловой системе, как MapReduce обрабатывает их стадиями map, shuffle и reduce и зачем Spark переносит вычисления в оперативную память.

    • Hadoop и MapReduce: основы больших данных1:21:44

      Как устроен стек больших данных: Hadoop хранит файлы в распределённой файловой системе HDFS с нейм-нодами, дата-нодами, блоками и репликацией, а MapReduce обрабатывает их стадиями map, shuffle и reduce — на примере подсчёта частоты слов. Отдельно разбирается, зачем Spark переносит промежуточные данные в оперативную память и что такое RDD. Домашнее задание — вопросы об операторах Spark и схема подсчёта неповторяющихся слов.

  • Рекомендательная система на PySpark 1 урок

    От топа популярных фильмов через коллаборативную фильтрацию и алгоритм ALS к персональной рекомендации конкретному зрителю, с замером среднего отклонения предсказаний.

    • Практика PySpark: рекомендательная система1:22:35

      Практика на Spark в Google Colab вокруг одной сквозной задачи — рекомендательной системы на датасете MovieLens. От топа популярных фильмов через коллаборативную фильтрацию и алгоритм ALS слушатели доходят до личных рекомендаций конкретному зрителю, измеряя качество средним модулем отклонения предсказанных оценок. Домашнее задание — классификация на PySpark: цветки ириса или пассажиры «Титаника» без Pandas.

  • Сбор данных, который окупается 1 урок

    Большие данные — это методы, а не размер; хранилище выбирается по CAP и критичности ошибок, а сбор данных должен окупаться и иметь конкретного потребителя.

    • Окупаемость и качество собираемых данных1:02:26

      Урок о культуре данных: большие данные определяются не объёмом, а совокупностью методов, переход к ним оправдан, когда данные уже не обрабатываются классическими инструментами. Выбор хранилища делается по теореме CAP, скорости ответа и критичности ошибок, а перед сбором данных считается окупаемость: у каждого набора должен быть конкретный потребитель и измеримая выгода. Отдельно — требования к сбору (мастер-источник, ETL, валидация), data-driven подход и вертикаль качества во главе с CDO; домашнее задание — придумать проверки качества для своего хранилища.

  • Внедрения больших данных по отраслям 1 урок

    Рынок больших данных — агрегаторы, биржи, анализ-как-сервис — и реальные внедрения в телекоме, HR, ритейле и медицине; домашний кейс — придумать внедрения для сети магазинов.

    • Кейсы применения больших данных45:42

      Урок о рынке больших данных — агрегаторы, биржи данных, анализ-как-сервис — и о реальных внедрениях: телеком с тёмными данными трафика и управлением оттоком, HR-прескоринг кандидатов, ритейл с планированием магазинов и прогнозом спроса, а также медицина, финансы, сельское хозяйство и другие отрасли. Домашнее задание — придумать для крупной сети строительных магазинов пять-шесть кейсов применения больших данных и расписать метрики оценки каждого.

  • PySpark: базовые операции 1 урок

    Поднимаем PySpark в Google Colab и осваиваем распределённые датафреймы: чтение CSV, выборки, агрегации, соединения, сводные таблицы и выгрузку.

    • Практика PySpark: базовые операции1:26:56

      Практическое занятие: PySpark разворачивается в Google Colab, и на распределённых датафреймах отрабатываются базовые операции — чтение CSV, выборки и describe, агрегации, join, сводные таблицы, фильтры и выгрузка. Разбираются отложенные вычисления с трансформациями и экшенами, а визуализация делается через toPandas и matplotlib. Домашнее задание — статистики, точечные графики и отделение одного вида цветка бизнес-правилом на датасете ириса.

  • Методология CRISP-DM и роли в команде 1 урок

    Шесть этапов методологии CRISP-DM — от бизнес-анализа до внедрения, обзор ролей команды работы с данными, требований к специалистам и способов собрать команду.

    • Методология CRISP-DM и роли в команде1:08:33

      Теоретический урок о методологии CRISP-DM и её шести этапах — от бизнес-анализа и исследования данных через подготовку и моделирование до оценки и внедрения, с выравниванием ожиданий заказчика и документированием шагов. Далее — обзор ролей команды: сайентист, аналитик, ETL-специалист, дата-инженер, архитектор хранилища и BI-специалист, а также способы собрать команду и организационные модели. Домашнее задание — описать роли команды для своего кейса и разложить одну задачу по этапам CRISP-DM.

Частые вопросы

Об этом курсе

• Нужно ли уметь программировать до старта?

  Нет. Python начинается с первых программ в онлайн-интерпретаторе Replit, а установка Python, Anaconda и Git на Windows разобрана в отдельных уроках по шагам.

• На каких базах данных и инструментах идёт практика?

  Учебная база PostgreSQL (DVD Rental) в Docker с подключением через DBeaver; отдельные занятия посвящены MongoDB. Практика Python — в Jupyter Notebook, Anaconda и Google Colab, итоговый дашборд — в Google Data Studio.

• Есть ли домашние задания и проверка работ?

  Да, после уроков — домашние задания на реальных датасетах; работы проверяются, результат — зачёт или доработка. Отдельные занятия — разборы лабораторных работ и сессии ответов на вопросы слушателей.

• Что будет итоговой работой курса?

  Управленческий дашборд в Google Data Studio на реальном датасете: подключение и объединение таблиц, фильтры и диаграммы, проверка в работе и открытие доступа получателям по ссылке. Это готовая работа в портфолио.

• Это курс по Data Science и машинному обучению?

  Машинное обучение дано обзорно: классификация, регрессия и кластеризация на нескольких моделях scikit-learn и рекомендательная система на PySpark. Глубокого Data Science и нейросетей в программе нет.

• Что понадобится из техники и программ?

  Компьютер с Windows — установка Python, Git и Anaconda разобрана именно под неё. Сам софт бесплатный: Python, Jupyter Notebook, DBeaver, Docker, Google Colab и Google Data Studio; для Google-инструментов нужен Google-аккаунт.

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.