Аналитик данных

• Moscow Catnamycs.
• Ошибки, переменные и гипотезы.
• Что делают специалисты в области данных.
• Списки в Python.
• Цикл for.
• Условия и булева логика.
• Машинное обучение.
• Финальный проект.

• Познакомитесь с основными требованиями к аналитику данных.
• Узнаете, из каких этапов состоит решение аналитической задачи и какие инструменты используются в профессии.
• Научитесь работать с материалами курса и составите план обучения.

• Переменные и типы данных. Вывод данных и арифметические операции.
• Строки.
• Списки.
• Цикл for.
• Вложенные списки.
• Условный оператор. Цикл while.
• Функции.
• Словари.
• Pandas для анализа данных.
• Предобработка данных.
• Анализ данных и оформление результатов.
• Jupyter Notebook — тетрадь в ячейку.
• Проект: музыка больших городов.

• Введение в предобработку данных.
• Работа с пропусками.
• Изменение типов данных.
• Поиск дубликатов.
• Категоризация данных.
• Системное и критическое мышление в работе аналитика.

• Введение в исследовательский анализ данных.
• Первые графики и выводы.
• Изучение срезов данных.
• Работа с несколькими источниками данных.
• Взаимосвязь данных.
• Валидация результатов.

Введение в статистический анализ данных.

Описательная статистика.

Теория вероятностей.

Проверка гипотез.

• Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д.
• На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения.

Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы.

• Введение в базы данных.
• Срезы данных в SQL.
• Агрегирующие функции.
• Группировка и сортировка данных.
• Взаимоотношения между таблицами.
• Типы объединений таблиц.
• Подзапросы и временные таблицы.

• Введение в анализ бизнес-показателей.
• Метрики и воронки.
• Когортный анализ.
• Юнит-экономика.
• Пользовательские метрики.

• Введение в принятие решений в бизнесе на основе данных.
• Основы проверки гипотез в бизнесе.
• Выбор метода проведения эксперимента.
• Приоритизация гипотез.
• Подготовка к проведению A/B-теста.
• Анализ результатов A/B-теста.
• Поведенческие алгоритмы: умение внятно объяснять свою позицию.

• Как рассказать историю с помощью данных.
• Подготовка презентации.
• Библиотека seaborn.
• Библиотека plotly.

Научитесь проверять статистические гипотезы в рамках A/B-тестирования и готовить выводы и рекомендации в формате аналитического отчёта.

• Введение в автоматизацию.
• Основы запуска скриптов.
• Что такое дата-пайплайны и зачем они нужны.
• Проектирование и разработка дашбордов в dash.

• Введение в прогнозы и предсказания.
• Задачи машинного обучения в бизнесе.
• Алгоритмы машинного обучения.
• Процесс решения задач машинного обучения.

В последнем проекте подтвердите, что освоили новую профессию. Уточните задачу заказчика, пройдёте все стадии анализа данных. Теперь без уроков и домашних заданий — всё как на реальной работе. Финальный спринт включает в себя работу над проектом, задачи по A/B-тестированию и SQL, а также дополнительное задание. Проект содержит постановку задачи, ожидаемый результат, набор данных и их описание.