Курс Аналитик данных

Язык преподавания в курсе – русский. Вскоре будет доступна украинская версия этого курса.

Видеозаписи лекций без обратной связи и участия преподавателя. Вы получите доступ к материалам сразу после оплаты.

Научим с нуля собирать, анализировать и презентовать данные.

Чему вы научитесь на курсе

Работать с сырыми данными

Информация для отчетов теперь у вас в руках. От получения данных из разных источников с помощью SQL до создания рабочих моделей и анализа с помощью Python.

Работать с заказчиками данных

Говорите с бизнесом на одном языке.
Научим собирать и обрабатывать запросы на аналитику, предоставлять метрики в понятном виде и определять точку приложения усилий.

Работать с Big Data

Получайте конкурентное преимущество: лучшие компании работают с большими данными. Научим использовать в работе актуальные инструменты анализа данных: Hadoop и NoSQL.

Выдвигать и тестировать гипотезы

Берите в работу сложные задачи и будьте уверены в своих подходах к достижению цели. Научим приоритизировать гипотезы и подбирать эффективные инструменты для их проверки.

Анализировать данные

Понимание бизнеса позволяет расти быстрее и увеличивать свой капитал. Научим находить инсайты в данных и предлагать бизнесу оптимальные сценарии роста.

Кому идеально подойдет этот курс

Всем, чья работа связана с данными.Курс дает техническую базу и инструменты для работы с данными для увеличения дохода.

Начинающие аналитики. Вы получите инструменты для перехода на уровень middle и сможете работать над более интересными задачами.

Веб-аналитики и программисты. Вас ждёт очень крутой апгрейд бизнес-навыков и hard skills в аналитике и новая траектория развития карьеры.

Что вы получите в результате обучения

– Сбор и подготовка данных для анализа
– Визуализация данных
– Сбор и понимание бизнес-требований заказчика
– Подготовка ad-hoc исследований и аналитики
– Тестирование гипотез
– Умение писать сложные запросы на SQL
– Python для анализа данных
– Знание основ работы с Hadoop

Программа курса

Блок 1. Аналитика для успеха бизнеса

01. Компетенции и инструменты аналитика. Роль аналитики в принятии решений
02. Ошибки и провалы при интерпретации аналитических показателей
03. Практическое занятие. Разбор кейсов реальных бизнесов. Поиск инсайтов в данных
04. Доп.практическое занятие. Разбор кейсов
05. Доп.практическое занятие. Разбор кейсов-2
Блок 2. SQL и получение данных
01. Введение в SQL. Основы баз данных
02. Работа с базами данных
03. Основы SQL
04. Углубление в SQL
05. Работа с PostgreSQL
06. Работа с MongoDB

Блок 3. Python и математика для анализа данных

00. Вводная лекция по курсу
01. Основы Python и Git
02. Циклы. Типы данных. Коллекции данных
03. Функции — использование встроенных и создание собственных
04. Работа с датами в Python
05. Python для анализа данных numpy и scipy
06. Python для анализа данных pandas
07. Python для работы с базами данных
08. Визуализация данных в Python
09. Лабораторная работа по Python
10. Визуализация данных в Python (доп.лекция)
11. Разбор по 1 Блоку курса
12. Основы описательной статистики, виды распределений в Python
13. Центральная предельная теорема и статистический анализ данных в Python
14. Основные статистические тесты и проверка гипотез
15. Лабораторная работа по статистике
16. Кейс-стади. Статистические показатели в Python. Ч.1
17. Кейс-стади. Статистические показатели в Python. Ч.2

Гостевые лекции

01. Установка ПО
02. Знакомство с Python
03. Условные конструкции. Операции сравнения
04. Введение в типы данных и циклы
05. Циклы. Типы данных. Коллекции данных
06. Функции — использование встроенных и создание собственных
07. Классы и их применение в Python

Блок 4. Работа аналитика в команде

01. Понимание целей бизнеса
02. Финансовые метрики
03. Маркетинговые метрики и метрики продукта
04. Иерархия метрик
05. Сбор требований и разработка отчётности
06. Формулирование гипотез. Поиск точек роста
07. Дизайн тестов, проведение и анализ. Построение простых моделей
08. Оптимизация отчётности

Блок 5. Big Data – основы работы с большими массивами данных

01. Традиционные аналитические подходы
02. Машинные методы в помощь обработке данных (обзорная – теория)
03. Мотивация и инструменты больших данных
04. NoSQL-подход к работе с большими данными
05. MapReduse-основы (HADOOP & SPARK)
06. Практика pyspark
07. Культура сбора и источники данных
08. Кейс-стади
09. MapReduce-расширенная версия
10. Организация команды для работы с данными