Вводная лекция

• Расскажем о правилах курса и о том, как получить зачет автоматом

SQL

• для чего нужен SQL и как писать запросы
• структура баз данных, ключи и историчность
• откуда берутся данные и как применять SQL в бизнесе

Python

• о том, как построить функцию
• о библиотеках и работе с данными

Визуализация данных

• для чего нужна визуализация
• типы визуализации
• разберем хорошие и плохие примеры визуализаций

Метрики

• контекст работы с метриками
• количественные пользовательские метрики
• относительные и сложные метрики
• сегментация когорты, статика и динамика

Основы математической статистики

• оценка параметров
• предсказательные и доверительные интервалы
• основы теории вероятностей и математической статистики

Как проводить АБ-тесты, часть 1

• точки роста и гипотезы — как они появляются
• что такое АБ-тест и зачем он нужен
• статистическая и практическая значимость
• практика на Python: объясним, как запускаются АБ-тесты

Как проводить АБ-тесты, часть 2

• проверка статистических гипотез
• основные понятия, критерии
• способы сравнения критериев
• поправка на множественные сравнения

Как делать выводы из данных

• рассмотрим кейсы с изменениями метрик
• поиск причин изменения метрики
• метрики продукта и метрики роста
• смещенность выборки
• расскажем, что делать, если невозможно принять решение по цифрам
• целеполагание

Модели

• какие модели используют аналитики и зачем
• простейшие прогнозирующие
• выбор параметров модели
• финансовые модели
• модели роста

Мобильная аналитика

• введение и особенности данных
• основные метрики
• предиктивный интерфейс

Регрессии

• линейные и логистические регрессии
• градиентный спуск и корреляция

Случайный лес

• введение в машинное обучение
• что такое дерево решений
• обучение деревьев — метрики качества
• подготовка данных для обучения
• примеры использования в Тинькофф — практический пример в Python

Зачет

• Для студентов мехмата МГУ и ФИТиП, кто не успеет п0олучить автомат