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
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
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
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
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
+375 44 733 73 70
Общие вопросы:
ООО «Байскилз», УНП 193454177
220012, Республика Беларусь, г. Минск, ул. Толбухина, 2, пом.19
Свидетельство о государственной регистрации
№193454177 от 06.08.2020 выдано Минским горисполкомом
© ООО «Байскилз», 2024
© ООО «Байскилз», 2024