Аналитик данных

•    Введение в профессию аналитика данных •    Обзор жизненного цикла данных: сбор, очистка, анализ, визуализация •    Роль аналитика в бизнесе и его взаимодействие с другими специалистами •    Построение гипотез, их тестирование, принятие бизнес-решений на основе аналитики и выводов.

•    Источники данных для анализа. Основные метрики в бизнесе, маркетинге и продуктовой аналитике DAU, MAU , Retention rate, Churn rate, CAC, LTV, ARPU, AOV, CR, UA, CPA, MR •    Модели Unit-экономики: алгоритмы расчета и интерпретация результатов •    A/B, A/A, A/B/n тестирования: планирование, проведение, обработка и интерпретация результатов тестов

•    Основы Python для аналитиков: o    Работа с данными: обработка, фильтрация, очистка. o    Основы синтаксиса, функции, циклы, работа с файлами (CSV, Excel). •    Работа с кодом в Anaconda и Jupyter Notebook, система управления версиями GIT •    Алгоритмы сортировки, хеширование, построение и программирование графов. Оценка сложности алгоритмов. •    Pandas: манипуляция с данными (фильтрация, сортировка, агрегация). •    NumPy: работа с массивами данных и математическими операциями. •    Использование Matplotlib и Seaborn для визуализации данных.

•    Понятие реляционной модели, СУБД, типы данных и их преобразования, фильтрация, группировка, сортировка данных •    Язык запросов SQL, его основные функции, агрегатные и оконные функции, древовидные структуры и рекурсивные запросы •    Работа в MySQL, PostgreSQL •    Управление базой данных с помощью DBeaver, подключение, администрирование и визуализация •    Системы NoSQL на примере работы в документно-ориентированной базе данных MongoDB

•    Моделирование данных с помощью PowerQuery и PowerPivot, язык запросов M, язык формул DAX •    Построение дашбордов. Настройка свойств визуализации. Связи визуализаций. Пользовательские визуализации Power BI •    Визуализации, ориентированные на интеллектуальный анализ данных (data mining). Визуализации R и Python •    Моделирование и визуализация данных в Tableau и DataLens

•    Основные понятия теории вероятностей, понятие статистической гипотезы и уровня значимости, источники данных •    Основные метрики, статистические критерии, доверительные интервалы •    Регрессионный анализ: линейная регрессия, множественный регрессионный анализ, коэффициенты регрессии и детерминации •    Корреляционный анализ, дисперсионный анализ (ANOVA) с одним, двумя и более факторами

•    Основные задачи машинного обучения: регрессия, классификация, кластеризация, уменьшение размерности •    Типы машинного обучения: с учителем, без учителя, с подкреплением, глубинное обучение •    Алгоритмы машинного обучения: Байес, опорных векторов, ближайших соседей, k-средних (k-means), различные виды регрессии, Random Forest, Gradient Boosting, XGBoost •    Прогнозирование с помощью пакета Scikit-learn

•    Data warehouse: особенности хранения больших объемов данных. Знакомство с Apache Hadoop, Apache Spark •    Концепция организации данных NoSQL, теорема Брюера (CAP) •    Язык R, пакеты dplyr, ggplot, модели прогнозированния Arma и Arima, техники визуализации в R

Подробности будут доступны на странице курса