Курс Аналітик даних

Мова викладання в курсі – російська. Незабаром буде доступна українська версія цього курсу.

Відеозаписи лекцій без зворотного зв’язку та участі викладача. Ви отримаєте доступ до матеріалів одразу після оплати.

Навчимо з нуля збирати, аналізувати та презентувати дані.

Чого ви навчитеся на курсі

Працювати з сирими даними

Інформація для звітів тепер у вас у руках. Від отримання даних з різних джерел за допомогою SQL до створення робочих моделей і аналізу за допомогою Python.

Працювати із замовниками даних

Говоріть із бізнесом однією мовою.
Навчимо збирати й обробляти запити на аналітику, надавати метрики у зрозумілому вигляді та визначати точку докладання зусиль.

Працювати з Big Data

Отримуйте конкурентну перевагу: найкращі компанії працюють з великими даними. Навчимо використовувати в роботі актуальні інструменти аналізу даних: Hadoop і NoSQL.

Висувати і тестувати гіпотези

Беріть у роботу складні завдання і будьте впевнені у своїх підходах до досягнення мети. Навчимо пріоритизувати гіпотези та підбирати ефективні інструменти для їхньої перевірки.

Аналізувати дані

Розуміння бізнесу дає змогу рости швидше і збільшувати свій капітал. Навчимо знаходити інсайти в даних і пропонувати бізнесу оптимальні сценарії зростання.

Кому ідеально підійде цей курс

Усім, чия робота пов’язана з даними.Курс дає технічну базу та інструменти для роботи з даними для збільшення доходу.

Аналітики-початківці: Ви отримаєте інструменти для переходу на рівень middle і зможете працювати над більш цікавими завданнями.

На вас чекає дуже крутий апгрейд бізнес-навичок і hard skills в аналітиці та нова траєкторія розвитку кар’єри.

Що ви отримаєте в результаті навчання

– Збір і підготовка даних для аналізу
– Візуалізація даних
– Збір і розуміння бізнес-вимог замовника
– Підготовка ad-hoc досліджень та аналітики
– Тестування гіпотез
– Уміння писати складні запити на SQL
– Python для аналізу даних
– Знання основ роботи з Hadoop

Програма курсу

Блок 1. Аналітика для успіху бізнесу

01. Компетенції та інструменти аналітика. Роль аналітики в ухваленні рішень
02. Помилки та провали під час інтерпретації аналітичних показників
03. Практичне заняття. Розбір кейсів реальних бізнесів. Пошук інсайтів у даних
04. Доп.практичне заняття. Розбір кейсів
05. Доп.практичне заняття. Розбір кейсів-2
Блок 2. SQL і отримання даних
01. Вступ до SQL. Основи баз даних
02. Робота з базами даних
03. Основи SQL
04. Поглиблення в SQL
05. Робота з PostgreSQL
06. Робота з MongoDB

Блок 3. Python і математика для аналізу даних

00. Вступна лекція з курсу
01. Основи Python і Git
02. Цикли. Типи даних. Колекції даних
03. Функції – використання вбудованих і створення власних
04. Робота з датами в Python
05. Python для аналізу даних numpy та scipy
06. Python для аналізу даних pandas
07. Python для роботи з базами даних
08. Візуалізація даних у Python
09. Лабораторна робота з Python
10. Візуалізація даних у Python (доп.лекція)
11. Розбір по 1 Блоку курсу
12. Основи описової статистики, види розподілів у Python
13. Центральна гранична теорема та статистичний аналіз даних у Python
14. Основні статистичні тести та перевірка гіпотез
15. Лабораторна робота зі статистики
16. Кейс-стаді. Статистичні показники в Python. Ч.1
17. Кейс-стаді. Статистичні показники в Python. Ч.2

Гостьові лекції

01. Встановлення ПЗ
02. Знайомство з Python
03. Умовні конструкції. Операції порівняння
04. Вступ до типів даних і циклів
05. Цикли. Типи даних. Колекції даних
06. Функції – використання вбудованих і створення власних
07. Класи та їхнє застосування в Python

Блок 4. Робота аналітика в команді

01. Розуміння цілей бізнесу
02. Фінансові метрики
03. Маркетингові метрики та метрики продукту
04. Ієрархія метрик
05. Збір вимог і розробка звітності
06. Формулювання гіпотез. Пошук точок зростання
07. Дизайн тестів, проведення та аналіз. Побудова простих моделей
08. Оптимізація звітності

Блок 5. Big Data – основи роботи з великими масивами даних

01. традиційні аналітичні підходи
02. машинні методи на допомогу обробці даних (оглядова – теорія)03. Машинні методи на допомогу обробці даних (оглядова – теорія)
03. Мотивація та інструменти великих даних
04. NoSQL-підхід до роботи з великими даними
05. MapReduse-основи (HADOOP & SPARK)
06. Практика pyspark
07. Культура збору та джерела даних
08. Кейс-стаді
09. MapReduce-розширена версія
10. Організація команди для роботи з даними