Назад

Симулятор «Аналитик данных». Тариф Базовый

Simulative
Сложность
Для новичков
Длительность
12 мес

Описание курса

  • Освойте аналитику данных, обучаясь на кейсах из реального бизнеса
  • Курс с упором на практику и интересным сюжетом
  • Можно с нуля: подробно объясняем в лекциях, конспектах и практике
  • Симулятор: обучение в формате стажировки Junior-аналитиком
  • Бизнес-кейсы: 300+ кейсов из реального бизнеса
  • Вы сможете применить свои знания в работе уже во время обучения: например, отстроить аналитику в бизнесе

Тариф «Самостоятельное обучение»

  • Полный доступ к симулятору
  • Общение в нетворкинг-чате со студентами
  • Бессрочный доступ к материалам курса

Программа курса

Продуктовые метрики
Работа аналитика направлена на улучшение продукта, пользовательского опыта и оптимизацию ресурсов компании — для этого нужно глубоко разбираться в том, как «переводить» продукт на язык цифр и метрик. Поэтому в первом модуле подробно изучаем:
  • Введение в продуктовые метрики
  • Метрики привлечения
  • Метрики продукта
  • Метрики вовлеченности
  • Дополнительные метрики
SQL для анализа данных
Язык SQL — основной инструмент аналитика. Его чаще всего спрашивают на собеседованиях и используют в работе. Мы рассмотрим все основные темы:
  • Глава 1: «Введение в базы данных»
  • Глава 2: «Основы работы с БД»
  • Глава 3: «Первые шаги в SQL»
  • Глава 4: «Как я умею гуглить»
  • Глава 5: «JOIN: Объединение таблиц – важнейшая операция в РСУБД»
  • Глава 6: «GROUP BY: расчет агрегированных метрик и описательных статистик»
  • Глава 7: «Подзапросы, CTE, correlated subquery и вложенная логика»
  • Глава 8: «Оконные функции: самый мощный инструмент для решения задач»
  • Глава 9: «Код стайл: как писать красивый код на SQL»
  • Глава 10: «DDL и DML: не SELECT-ом единым»
  • Финальный тест по модулю SQL
  • Финальный проект по модулю SQL
Визуализация данных: Metabase
Построение графиков и дашбордов — еще одна распространенная задача аналитика. И Metabase отлично синергируется с визуализацией данных и SQL: можно писать запросы и сразу строить графики. В этом модуле рассматриваем:
  • Знакомимся с Metabase
  • Как зайти в Metabase
  • Глава 1: «Визуализируем наши SQL-запросы»
  • Разбор домашнего задания
  • Глава 2: «Работа с Questions»
  • Глава 3: «Filter Fields»
  • Глава 4: «Построение дашбордов»
  • Дополнительные фишки
  • Итоговая работа
Git / Github
Для работы в команде необходимо уметь работать с системой контроля версий Git. В этом модуле мы расскажем, как пользоваться всеми основными командами, решать конфликты при merge и делать пулл-реквесты.
  • Глава 1: Введение
  • Глава 2: Работа с локальным репозиторием
  • Глава 3: Работа с удаленным репозиторием
  • Глава 4: Работа с ветками
  • Глава 5: Работа с историей
  • Глава 6: Перебазирование и слияние
  • Глава 7: Работа с чужими репозиториями
  • Глава 8: Заключение
  • Глава 9: Конспект
  • Глава 10: Итоговый тест
  • Глава 11: Практический кейс
  • Глава 12: Разбор практического кейса
Базовый Python
Язык Python - один из мощнейших инструментов в арсенале аналитика, без него не обходится ни одна серьезная задача. Поэтому мы подробно рассмотрим все аспекты программирования на Python:
  • Глава 1: «Введение»
  • Глава 2: «Переменные. Базовые типы данных»
  • Глава 3: «Сложные типы данных»
  • Глава 4: «Дополнительные типы данных»
  • Глава 5: «Функции»
  • Глава 6: «Условия»
  • Глава 7: «Циклы for и while»
  • Глава 8: «Модули и библиотеки»
  • Глава 9: «Базовая работа с файлами»
  • Глава 10: «Промежуточные бизнес-кейсы»
  • Глава 11: «Лямбда-функции и Функциональное программирование»
  • Глава 12: «Comprehensions»
  • Глава 13: «Итерируемые объекты, итераторы, генераторы, генераторные выражения»
  • Глава 14: «Промежуточные бизнес-кейсы»
  • Глава 15: «Исключения»
  • Глава 16: «Оператор *»
  • Глава 17: «Работа с датой и временем»
  • Глава 18: «Промежуточные бизнес-кейсы»
  • Глава 19: «Регулярные выражения»
  • Глава 20: «Работа с базами данных через Python»
  • Глава 21: «Модуль requests»
  • Глава 22: «Итоговый проект»
ООП в Python
Объектно-ориентированное программирование — подход, который позволяет писать удобный и масштабируемый код. Мы на реальных примерах покажем, где это может быть полезно для аналитика:
  • Глава 1: «Основы ООП»
  • Глава 2: «Инкапсуляция»
  • Глава 3: «Наследование»
  • Глава 4: «Полиморфизм, абстрактные классы и методы»
  • Глава 5: «Дополнительные приемы - property, staticmethod, геттеры-сеттеры, декораторы»
  • Глава 6: «Магические методы, Singleton»
  • Глава 7: «Итоговые бизнес-кейсы: ООП»
Python для анализа данных
Основная задача аналитика — собирать данные и извлекать из них полезные гипотезы, изучая их под разными ракурсами. Для этого в данном модуле мы разбираем библиотеки:
  • Numpy
  • Pandas
  • Matplotlib
  • Seaborn
  • Plotly
Git / Github
Для работы в команде необходимо уметь работать с системой контроля версий Git. В этом модуле мы расскажем, как пользоваться всеми основными командами, решать конфликты при merge и делать пулл-реквесты.
Автоматизация и деплой
Многие задачи в работе аналитика — рутина, которую можно автоматизировать. Для этого в модуле «Автоматизация» мы рассмотрим:
  • Глава 1: Введение
  • Глава 2: Создание и настройка сервера
  • Глава 3: Разработка проекта
  • Глава 4: Деплой
  • Глава 5: Автоматизация
  • Глава 6: Настройка веб-сервера и Metabase
  • Глава 7: Windows Scheduler
  • Итоговый проект
Визуализация данных: Power BI
Power BI - одна из мощнейших систем визуализации, которая используется в большинстве крупных компаний. С ее помощью можно строить гибкие дашборды и настраивать сквозную аналитику. Мы разберем весь цикл работы с Power BI:
  • Глава 1: Введение
  • Глава 2: Установка Power BI
  • Глава 3: Знакомство с Power BI
  • Глава 4: Первый дашборд в Power BI
  • Глава 5: Power Query
  • Глава 6: Быстрый старт в DAX
  • Глава 7: Важное начало - моделирование, переменные и не только
  • Глава 8: Итерационные X-функции DAX
  • Глава 9: Мини-практика 1 - Создание универсального календаря
  • Глава 10: Разбор практического задания
  • Глава 11: Мини-практика 2 - Итерационные X-функции
  • Глава 12: Разбор практического задания
  • Глава 13: Функции фильтров в DAX
  • Глава 14: Предварительная агрегация. Создание в DAX внутренних таблиц
  • Глава 15: Мини-практика 3 - Работа с несвязными таблицами
  • Глава 16: Разбор практического задания
  • Глава 17: Контексты DAX
  • Глава 18: Функция CALCULATE и управление контекстом фильтра
  • Глава 19: Преобразование контекста фильтра
  • Глава 20: Работа с датами в DAX
  • Глава 21: Мини-практика 4 - Функция CALCULATE и работа с датами
  • Глава 22: Разбор практического задания
  • Глава 23: Работа со связями таблиц в DAX
  • Глава 24: Мини-практика 5 - Связанные таблицы
  • Глава 25: Разбор практического задания
  • Глава 26: Мини-практика 6 - Несколько таблиц-данных
  • Глава 27: Разбор практического задания
  • Глава 28: Мини-практика 7 - Функции условия
  • Глава 29: Разбор практического задания
  • Глава 30: Работа с Power BI Service
  • Глава 31: Технические фишки DAX для построения умных и интерактивных визуализаций в отчетах
  • Глава 32: Статический и динамический ABC-анализ в DAX
  • Глава 33: Итоговый проект
  • Глава 34: Мастер-классы по DAX и Power BI
Математика и статистика
Аналитика — это про проверку гипотез, A/B тестирование и расчеты. А для этого нужно иметь крепкий математический фундамент. Поэтому в этом модуле мы максимально простым языком будем рассказывать сложные университетские темы:
  • Урок 1: Введение в статистику
  • Урок 2: Реализация выборок в Python
  • Решение задачи из Урока 2: Реализация выборок в Python
  • Урок 3: Типы переменных
  • Урок 4: Базовые понятия из математического анализа
  • Урок 5: Базовые понятия теории вероятностей
  • Урок 6: Дискретные распределения
  • Урок 7: Непрерывные распределения
  • Урок 8: Полезные статистические функции в Python
  • Урок 9: Описательная статистика. Часть 1
  • Урок 10: Описательная статистика. Числовые характеристики распределения
  • Урок 11: Расчет статистических характеристик в Python
  • Урок 12: Проект по описательной статистике
  • Урок 13: Нормальное распределение
  • Урок 14: Закон больших чисел и ЦПТ
  • Разбор задания из Урока 14
  • Урок 15: Параметрические точечные методы оценки параметров распределения
  • Разбор заданий из Урока 15
  • Урок 16: Свойства статистических оценок
  • Разбор заданий из Урока 16
  • Урок 17: Доверительные интервалы
  • Урок 18: Количественная репрезентативность
  • Урок 19: Проверка статистических гипотез
  • Урок 20: Проверка гипотез: концепция p-value
  • Урок 21: Проверка гипотез для одной выборки
  • Разбор задания из Урока 21
  • Урок 22: Проверка параметрических гипотез для двух выборок
  • Разбор задания из Урока 22
  • Урок 23: Параметрические критерии для двух и более независимых выборок
  • Разбор задания из Урока 23
  • Урок 24: Проверка данных на нормальность
  • Урок 25: Преобразование данных: приведение к нормальному распределению
  • Урок 26: Урок 26: Непараметрические критерии для среднего и дисперсии для двух и более независимых выборок
  • Разбор задания из Урока 26
  • Урок 27: Непараметрические критерии однородности независимых выборок
  • Урок 28: Критерии для зависимых выборок
  • Разбор задания из Урока 28
  • Урок 29: Как определять зависимость данных
  • Разбор задания из Урока 29
  • Урок 30: Анализ качественных данных
  • Разбор задания из Урока 30
  • Финальный проект по статистике
A/B тестирование
В этом модуле подробно будем говорить про проведение A/B тестов, формирование выборок и не только. Поговорим про доверительные интервалы, статистические тесты, сэмплирование. А главное — вы сами будете проектировать различные A/B тесты и оценивать результат. На вас будет большая ответственность — ведь от правильности интерпретации теста будут зависеть управленческие решения!
Итоговая работа
Завершается наша программа итоговым проектом. Это работа, в которой вы сублимируете все полученные знания и докажете на практике, что вы готовы к полноценной работе аналитиком. Пример темы для итоговой работы — построение автоматизированной системы сбора результатов A/B тестирования в облачную базу и верстка дашборда с real-time оценкой результатов тестирования.

Преподаватели

Алексанян Елизавета
Алексанян Елизавета
Инженер НПО Тайфун, преподаватель ИАТЭ НИЯУ МИФИ. Разрабатывает математические модели в Федеральном информационно-аналитическом центре Росгидромета. Преподаватель ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики по направлению Дискретная математика.
Кудрявцев Кирилл
Кудрявцев Кирилл
Лид продуктовой аналитики, Магнит, ex-Ozon. Более 5 лет в аналитике данных. В работе сосредоточен на решении проблем жизненного цикла пользователя, выявлении узких мест в воронке, продуктовых исследованиях и проверке гипотез с помощью А/В тестирования.
Алексанян Андрон
Алексанян Андрон
CEO / Founder IT Resume & Simulative. Основал платформу IT Resume. Реализовывал проекты в области аналитики, AI и Computer Vision. Преподаватель ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики. Автор научных статей по анализу данных и обработке временных рядов.
Бережная Елизавета
Бережная Елизавета
Технический редактор, IT Resume & Simulative. Отвечает за разработку всего продуктового контента B IT Resume Simulative. Создает образовательный контент по аналитике и программированию, курирует образовательные проекты корпоративных клиентов. Стек технологий: Python, SQL, продуктовая аналитика, Pandas.
Показать еще

Часто задаваемые вопросы

Когда можно начать обучение?
После оплаты мы с вами свяжемся и откроем доступ к материалам — вы сможете приступить сразу.
Я обучаюсь с нуля — ваша программа мне подходит?
Да. У нас есть все необходимое для комфортного обучения с нуля — видео, текстовые лекции, конспекты и домашние задания. Постепенно вы будете переходить все к более и более сложной практике.
У меня уже есть опыт в аналитике — мне подойдет ваша программа?
Конечно! У нас сотни кейсов из реального бизнеса — порой даже опытные специалисты не могут их решить. Вы точно сможете круто прокачать свои hard skills. Многие наши студенты приходят, чтобы улучшить навыки.
Какие инструменты я буду использовать?
Вы будете работать со всеми основными инструментами аналитика — Jupyter, Google Colab, DBeaver, PostgreSQL, VS Code, Metabase, Power BI, Github, draw.io и многими другими.
Чем отличаются тарифы «Самостоятельное обучение» и «Персональный»?
В «Персональном» мы делаем подробный code review всех ваших домашек. Это позволит вам быстро обучиться лучшим практикам и профессиональным приемам. Кроме того, вам постоянно помогает наставник.

Похожие курсы

Аналитика и Data Science
Основы Power BI
1 мес
Старт: после оплаты
-28%
Кешбэк 5%: 39 баллов
1 059 BYN
767 BYN
В рассрочку на 6 мес
128 BYN/мес
Аналитика и Data Science
Power BI и Power Query
1 мес
Старт: 16 июля
-65%
Кешбэк 5%: 15 баллов
836 BYN
293 BYN
В рассрочку на 3 мес
98 BYN/мес
Аналитика и Data Science
Профессия Аналитик данных
14 мес
Старт: 5 августа
-40%
Кешбэк 30%: 2 030 баллов
11 275 BYN
6 765 BYN
В рассрочку на 36 мес
188 BYN/мес
Аналитика и Data Science
Data Science Academy
4 мес
Старт: 18 июля
-65%
Кешбэк 5%: 54 балла
3 078 BYN
1 077 BYN
В рассрочку на 10 мес
108 BYN/мес
Аналитика и Data Science
Профессия Data Scientist
24 мес
Старт: 24 июля
ХИТ
-40%
Кешбэк 30%: 2 388 баллов
13 270 BYN
7 960 BYN
В рассрочку на 36 мес
222 BYN/мес
Аналитика и Data Science
Data Scientist с нуля до PRO
25 мес
Старт: 31 июля
-40%
Кешбэк 30%: 2 708 баллов
15 045 BYN
9 025 BYN
В рассрочку на 36 мес
251 BYN/мес
Аналитика и Data Science
Data Scientist с нуля до Junior
9 мес
Старт: после оплаты
-40%
Кешбэк 30%: 1 363 балла
7 572 BYN
4 543 BYN
В рассрочку на 30 мес
152 BYN/мес
Аналитика и Data Science
Аналитика в маркетинге
1 мес
Старт: 16 июля
-65%
Кешбэк 5%: 51 балл
2 870 BYN
1 005 BYN
В рассрочку на 10 мес
101 BYN/мес
Аналитика и Data Science
Симулятор «Аналитик данных». Тариф Персональный
12 мес
Старт: каждую пятницу
Кешбэк 5%: 218 баллов
Цена
4 345 BYN
В рассрочку на 30 мес
145 BYN/мес
Аналитика и Data Science
Аналитика в продажах
1 мес
Старт: 16 июля
-65%
Кешбэк 5%: 51 балл
2 870 BYN
1 005 BYN
В рассрочку на 10 мес
101 BYN/мес
Аналитика и Data Science
DAX Mastering
1 мес
Старт: после оплаты
-28%
Кешбэк 5%: 39 баллов
1 059 BYN
767 BYN
В рассрочку на 6 мес
128 BYN/мес
Аналитика и Data Science
Профессия Data Scientist
12 мес
Старт: после оплаты
ХИТ
-40%
Кешбэк 30%: 1 360 баллов
7 552 BYN
4 531 BYN
В рассрочку на 30 мес
152 BYN/мес
Аналитика и Data Science
Обработка и анализ данных в SQL
1 мес
Старт: 18 июля
-65%
Кешбэк 5%: 15 баллов
825 BYN
289 BYN
В рассрочку на 3 мес
97 BYN/мес
Аналитика и Data Science
Профессия Аналитик 1С
8 мес
Старт: после оплаты
-40%
Кешбэк 30%: 1 123 балла
6 237 BYN
3 742 BYN
В рассрочку на 24 мес
156 BYN/мес
Аналитика и Data Science
Data Science аналитик
9 мес
Старт: 20 июля
-65%
Кешбэк 30%: 1 050 баллов
9 997 BYN
3 499 BYN
В рассрочку на 24 мес
146 BYN/мес
Аналитика и Data Science
Профессия BI-аналитик
6 мес
Старт: после оплаты
ХИТ
-40%
Кешбэк 30%: 808 баллов
4 487 BYN
2 692 BYN
В рассрочку на 18 мес
150 BYN/мес
Аналитика и Data Science
Data Scientist в медицине с нуля
12 мес
Старт: 20 июля