Полная программа курса по аналитике данных
Мы обновляем её регулярно, чтобы она соответствовала запросам индустрии и работодателей.
Иными словами, вы учитесь только тому, что точно пригодится в работе.

Бесплатная часть - 1 неделя

Бесплатное введение: основы Python и анализа данных

Узнаете основные концепции анализа данных и поймёте, чем занимаются аналитики данных и специалисты по Data Science.

• Moscow Catnamycs. Вывод данных на экран. CSV-файлы. Работа с таблицами. Тепловые карты. Умножение столбца на целое число.
• Ошибки в коде. Синтаксические ошибки. Ошибки наименования. Ошибки при делении на ноль. Ошибки при импорте модуля.
• Переменные и типы данных. Переменные. Типы данных. Арифметические операции с числами и строками.
• Как выдвигать гипотезы. Гипотезы. HADI циклы. Аналитическое мышление. Чтение графиков.
• Что делают специалисты в области данных. Задачи аналитика. Уточнение задач. Декомпозиция. Стадии проекта.
• Проверяем конверсии. Конверсия. Изучение данных. Формирование выводов.
• Окупаемость рекламных кампаний. Столбчатая диаграмма. Разность элементов. Индексация в столбцах.
• Машинное обучение и Data Science. Обучение в машинном обучении. Поиск уникальных значений в столбцах. Логическая индексация. Группировка значений в таблице. Ошибки предсказания.
• Финальный проект. Сегментация пользователей.
PythonPandasОшибкиSeabornГипотезыКонверсияПеременныеТипы данныхТепловые карты
 
1 спринт 3 недели

Базовый Python

Глубже погрузитесь в язык программирования Python и работу с библиотекой Pandas.

• Переменные и типы данных. Язык Python. Переменные. Вывод данных на экран. Вывод объектов на экран. Обработка ошибок, оператор try...except. Типы данных. Преобразования типов данных.
• Строки. Индексы в строках. Срезы строк. Операции над строками. Методы строк. Форматирование строк, метод format(), f-строки.
• Списки. Индексы в списках. Срезы списков. Добавление элементов в список. Удаление элементов списка. Сложение и умножение списков. • Сортировка списков. Поиск элементов в списке. Разделение строки в список строк, соединение списка строк в строку.
• Цикл for. Циклы. Перебор элементов. Перебор индексов элементов. Обработка элементов списков с помощью циклов: нахождение суммы и произведения элементов.
• Вложенные списки. Циклы по вложенным спискам с подсчётом значений. Добавление элементов во вложенные списки. Сортировка вложенных списков.
• Условный оператор. Цикл while. Логический тип данных. Булевы значения. Логические выражения. Составные логические выражения. Условный оператор if...elif...else. Ветвления. Фильтрация списков с использованием условного оператора. Цикл while.
• Функции. Назначение функций. Параметры и аргументы. Параметры со значениями по умолчанию. Позиционные и именованные аргументы. Возвращение результата из функции.
• Словари. Ключи и значения. Поиск значения по ключу. Добавление элементов в словарь. Список словарей. Красивый вывод словарей.
• Библиотека Pandas. Чтение csv-файлов. Датафрейм. Конструктор датафрейма. Вывод первых и последних строк датафрейма. Индексация в датафреймах. Индексация в столбцах Series.
• Предобработка данных. Принцип GIGO. Переименование столбцов датафрейма. Обработка пропущенных значений. Обработка явных и неявных дубликатов.
• Анализ данных и оформление результатов. Группировка данных. Сортировка данных. Основы описательной статистики.
• Jupyter Notebook — тетрадь в ячейку. Интерфейс Jupyter Notebook. Шорткаты Jupyter Notebook.
ЦиклыPythonPandasСтрокиСпискиФункцииСловариДатафреймПеременныеТипы данныхУсловный оператор
Проект
Сравните данные пользователей Яндекс Музыки по городам и дням недели.
 
2 спринт 2 недели

Предобработка данных

Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.

• Работа с пропусками. Конверсия. Куки. Категориальные и количественные переменные. Обработка пропусков в категориальных переменных. Обработка пропусков в количественных переменных. Обработка пропусков в количественных переменных по категориям.
• Изменение типов данных. Чтение Excel-файлов. Преобразование Series к числовому типу. Модуль числа, метод abs(). Работа с датой и временем. Обработка ошибок, оператор try...except. Объединение датафреймов, метод merge(). Сводные таблицы.
• Поиск дубликатов. Поиск дубликатов с учётом регистра.
• Категоризация данных. Декомпозиция таблиц. Категоризация по числовым диапазонам. Категоризация на основе нескольких значений в строке.
• Системное и критическое мышление в работе аналитика. Системное мышление. Причины ошибок в данных. Критическое мышление.
PythonPandasОбработка пропусковПредобработка данныхОбработка дубликатовКатегоризация данных
Проект
Проанализируете данные о клиентах банка и определите долю кредитоспособных.
 
3 спринт 2 недели

Исследовательский анализ данных

Изучите основы теории вероятностей и статистики. Примените их для исследования основных свойств данных, поиска закономерностей, распределений и аномалий. Познакомитесь с библиотекой Matplotlib. Отрисуете диаграммы, поупражняетесь в анализе графиков.

• Первые графики и выводы. Применение сводных таблиц. Гистограмма. Распределения. Диаграмма размаха.
• Изучение срезов данных. Метод query(). Работа с датой и временем. Построение графиков методом plot(). Бритва Оккама.
• Работа с несколькими источниками данных. Срез данных на основе внешних объектов. Добавление новых столбцов в датафрейм. Добавление данных из других датафреймов. Переименование столбцов. Объединение таблиц методами merge() и join().
• Взаимосвязь данных. Диаграмма рассеяния. Корреляция переменных. Матрица диаграмм рассеяния.
• Валидация результатов. Укрупнение групп. Разбиение данных по группам.
PythonPandasMatplotlibГистограммыСрезы данныхАнализ данныхДиаграмма размахаДиаграмма рассеянияВизуализация данныхОписательная статистика
Проект
Исследуете архив объявлений о продаже объектов недвижимости в Санкт-Петербурге и Ленинградской области.
 
4 спринт 3 недели

Статистический анализ данных

Научитесь анализировать взаимосвязи в данных методами статистики. Узнаете, что такое статистическая значимость и гипотезы.

• Комбинаторика. Комбинации. Правило умножения. Перестановки. Количество перестановок. Размещения. Число размещений. Сочетания. Число сочетаний.
• Теория вероятностей. Эксперимент. Вероятностное пространство. События. Вероятность. Пересекающиеся и взаимоисключающие события. Диаграмма Эйлера-Венна. Закон больших чисел.
• Описательная статистика. Категориальные и количественные переменные. Мода и медиана. Среднее значение. Дисперсия. Стандартное отклонение. Квартили и процентили. Диаграмма размаха. Столбчатая диаграмма. Плотность частоты. Гистограмма.
• Случайные величины. Дискретная случайная величина. Распределение вероятностей для дискретной случайной величины. Кумулятивная функция (функция распределения) дискретной случайной величины. Математическое ожидание дискретной случайной величины. Дисперсия дискретной случайной величины.
• Распределения. Эксперимент Бернулли. Биномиальный эксперимент. Биномиальное распределение. Непрерывное равномерное распределение. Нормальное распределение. Стандартное нормальное распределение. CDF и PPF для нормального распределения. Распределение Пуассона. Аппроксимация одного распределения другим.
• Проверка гипотез. Генеральная совокупность. Выборка. Выборочное распределение. Центральная предельная теорема. Односторонние и двусторонние гипотезы. P-value. Проверка односторонних и двусторонних гипотез для одной выборки. Проверка гипотезы о равенстве средних двух генеральных совокупностей. Проверка гипотезы о равенстве средних для зависимых выборок.
ScipyNumpyPythonPandasMatplotlibКомбинаторикаРаспределенияПроверка гипотезТеория вероятностей
Проект
Проверите гипотезы сервиса аренды самокатов, чтобы помочь вырастить бизнес.
 
Дополнительный спринт

Теория вероятностей

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.

Это необязательный спринт. Значит, каждый студент сам выбирает один из вариантов прохождения:
• Освоить дополнительный спринт из 10 коротких уроков, освежить в памяти теорию и решить задачи.
• Открыть только блок с задачами для собеседований, вспомнить практику без теории.
• Пропустить курс совсем или вернуться к нему, когда будет время и необходимость.
PythonСобытияВероятностьТеорема БайесаСлучайные величиныТеория вероятностейСтатистический анализ данных
 
5 спринт 1 неделя

Итоговый проект первого модуля

Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы.
ScipyNumpyPythonPandasMatplotlibАнализ данныхПроверка гипотезПредобработка данных
Проект
Найдёте закономерности в данных о продаже игры.
 
6 спринт 2 недели

Базовый SQL

Изучите основы структурированного языка запросов SQL и реляционной алгебры для работы с базами данных. Познакомитесь с особенностями работы в PostgreSQL — популярной системы управления базами данных (СУБД). Научитесь писать запросы разного уровня сложности и переводить бизнес-задачи на язык SQL. Вы будете работать с базой данных онлайн-магазина, который специализируется на фильмах и музыке.

• Введение в базы данных. Системы управления базами данных (СУБД). Язык SQL. SQL-запросы. Форматирование SQL-запросов.
• Срезы данных в SQL. Типы данных в PostgreSQL. Преобразование типов данных. Оператор WHERE. Логические операторы. Срезы данных. Операторы IN, LIKE, BETWEEN. Работа с датой и временем. Обработка пропущенных значений. Условная конструкция CASE.
• Агрегирующие функции. Группировка и сортировка данных. Математические операции. Агрегирующие функции. Группировка данных. Сортировка данных. Фильтрация по агрегированным данным, оператор HAVING.
• Взаимоотношения между таблицами. Типы объединения таблиц. ER-диаграммы. Переименование полей и таблиц. Алиасы. Объединение таблиц. Виды объединений: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN. Альтернативные виды объединения UNION и UNION ALL.
• Подзапросы и общие табличные выражения. Подзапросы. Подзапросы в FROM. Подзапросы в WHERE. Сочетание объединений и подзапросов. Общие табличные выражения (CTE). Вариативность запросов.
SQLСУБДPostgreSQLПодзапросыБазы данныхSQL-запросыФильтрация данныхСортировка данныхГруппировка данныхОбъединение таблицОбщие табличные выражения
Проект
Напишете ряд запросов разной сложности к базе данных, в которой хранятся данные по венчурным инвесторам, стартапам и инвестициям в них.
 
7 спринт 3 недели

Анализ бизнес-показателей

Узнаете, что такое метрики в бизнесе. Научитесь использовать инструменты для анализа данных в бизнесе: когортный анализ, воронка продаж и юнит-экономика.

• Метрики и воронки. Конверсия. Воронки. Маркетинговая воронка. Показы. Клики. CTR. Продуктовая воронка.
• Когортный анализ. Профиль пользователя. Retention Rate. Churn rate. Горизонт анализа. Визуализация когортного анализа. Анализ удержания произвольных когорт. Конверсия в когортном анализе. Расчёт метрик в Python.
• Юнит-экономика. Метрики LTV, CAC, ROI. ARPU, ARPPU. Расчёт метрик в Python. Продвинутая визуализация метрик. Параметр sharey. Скользящее среднее.
• Пользовательские метрики. Оценка пользовательской активности. Пользовательская сессия. Расследование аномалий.
МетрикиВоронкиКонверсияЮнит-экономикаКогортный анализПродуктовые метрикиМаркетинговые метрики
Проект
На основе данных изучите поведение пользователей, а также проанализируете доходность клиентов и окупаемость рекламы, чтобы предложить рекомендации для отдела маркетинга.
 
8 спринт 2 недели

Продвинутый SQL

Пройдёте дополнительный курс по работе с базами данных и станете ещё ближе к бизнесу. С помощью языка SQL разберёте подсчёт основных бизнес-метрик, с которыми вы познакомились в спринте «Анализ бизнес-показателей». Рассмотрите работу с таким сложным инструментом, как оконные функции. Научитесь изменять содержимое баз данных локально, без тренажёра, используя специальные программы-клиенты и библиотеки для Python.

• Расчёт бизнес-показателей. Схема данных. Конверсия. LTV. ARPU. ARPPU. ROI. Расчёт с помощью SQL.
• Агрегирующие оконные функции. Выражение OVER. Параметр окна PARTITION BY.
• Оконные функции ранжирования. Функции ранжирования. Оператор окна ORDER BY. ROW_NUMBER(). RANK(). DENSE_RANK(). NTILE(). Операторы окна вместе с функциями ранжирования.
• Оконные функции смещения. Кумулятивные значения. Функции смещения. LEAD(). LAG(). Оконные функции и алиасы.
• Когортный анализ. Retention Rate, Churn Rate. LTV.
• Установка и настройка базы данных и клиента базы данных. Клиент базы данных. Установка PostgreSQL. Установка DBeaver. Интерфейс DBeaver. Создание базы данных. Разворачивание дампа базы данных. Выгрузка результатов запроса. Представление результатов запроса.
SQLСУБДМетрикиPostgreSQLБазы данныхSQL-запросыОконные функцииКогортный анализ
Проект
С помощью Python и SQL подключитесь к базе данных, посчитаете и визуализируете ключевые метрики сервис-системы вопросов и ответов о программировании.
 
9 спринт 2 недели

Принятие решений в бизнесе

Узнаете, что такое A/B-тестирование, и поймёте, в каких случаях его используют. Научитесь проектировать A/B-тестирование, производить оценку его результатов.

• Основы проверки гипотез в бизнесе. Опережающие метрики. Базы экспериментов. Генерация гипотез. Приоритизация метрик. Выбор метода проведения эксперимента. Качественные методы проверки гипотезы. Количественные методы проверки гипотезы. Преимущества и недостатки A/B-тестов.
• Приоритизация гипотез. Фреймворк RICE. Параметр Reach. Параметр Impact. Параметр Confidence. Параметр Efforts.
• Подготовка к проведению A/B-теста. A/A-тест. Ошибки I и II рода. Мощность статистического теста. Значимость статистического теста. Множественные сравнения, методы снижения вероятности ошибки. Расчёт размера выборки и длительности A/B-теста. Графический анализ метрик.
• Анализ результатов A/B-теста. Проверка гипотезы о равенстве долей. Критерий Шапиро-Уилка для проверки нормальности данных. Непараметрические статистические тесты. Критерий Манна-Уитни. Стабильность кумулятивных метрик. Анализ выбросов и всплесков.
• Поведенческие алгоритмы. Факты, эмоции, оценки. Объяснения своей точки зрения.
A/B-тестированиеПриоритизация гипотезПодготовка к A/B-тестированиюАнализ результатов A/B-тестированияАнализ результатов A/B-тестирования
Проект
Проанализируете результаты A/B-тестирования в крупном интернет-магазине.
 
10 спринт 1 неделя

Итоговый проект второго модуля

Научитесь проверять статистические гипотезы в рамках A/B-тестирования и готовить выводы и рекомендации в формате аналитического отчёта.
Воронка продажA/B-тестированиеПредобработка данныхИсследовательский анализ данных
Проект
Исследуете воронку продаж и проанализируете результаты A/B-тестирования в мобильном приложении.
 
11 спринт 2 недели

Как рассказать историю с помощью данных

Узнаете, как правильно презентовать результаты своего исследования, оперируя графиками, важнейшими цифрами и их правильной интерпретацией. Познакомитесь с библиотеками Seaborn и Plotly.

• Кому, как, что и зачем рассказывать. Представление результата исследования. Целевая аудитория рассказчика. Что и зачем рассказывать аналитику данных.
• Библиотека Seaborn. Библиотека Seaborn как расширение библиотеки Matplotlib. Метод jointplot(). Цветовые гаммы. Стили графиков. Визуализация распределений.
• Библиотека Plotly. Интерактивные графики. Линейный график. Столбчатая диаграмма. Круговая диаграмма. График воронки.
• Визуализация данных в геоаналитике. Геоаналитика. Библиотека Folium. Отображение карт. Установка маркеров с указанными координатами. Создание кластеров точек. Собственные иконки для маркеров. Хороплет.
• Подготовка презентации. Выводы на основе исследования. Сезонность и внешние факторы. Абсолютные и относительные величины. Парадокс Симпсона. Принципы построения презентаций. Отчёты в Jupyter Notebook.
PlotlyFoliumSeabornMatplotlibПрезентацииГеоаналитикаВизуализация данных
Проект
Подготовите исследование рынка на основе открытых данных о заведениях общественного питания Москвы, визуализируете полученные данные.
 
12 спринт 2 недели

Построение дашбордов в Tableau

В этом спринте вы будете работать с BI-системой Tableau. Научитесь подключаться к данным и модифицировать их, строить графики разных видов, собирать дашборды и презентации.

• Основы работы с Tableau. BI-системы. Tableau. Создание документа. Сохранение документа. Публикация документа.
• Работа с источниками данных. Источники данных. Объединение данных. Метод Relationship. Метод Join. Метод Blend. Метод Union. Изменение формата таблицы.
• Типы данных. Основные типы данных. Измерения. Меры. Работа с датой и временем. Сеты. Группы. Параметры. Изменение формата переменных. Переменные Measure Names, Measure Values, Count.
• Таблицы и вычисления. Интерфейс редактирования листа. Сводные таблицы. Вычисляемые поля. LOD-выражения.
• Фильтры и сортировки. Сортировка мер. Сортировка измерений. Вложенные сортировки. Сортировка с помощью параметра. Фильтры.
• Визуализации. Элементы управления визуализацией. Тепловые карты. Круговые диаграммы. Столбчатые диаграммы. Гистограммы. Диаграммы размаха. Диаграмма рассеивания. Линейные графики. Совмещённые графики. Диаграммы с областями.
• Специальные визуализации и всплывающие подсказки. Карты. Символьная карта. Пузырьковая диаграммы. Древовидная карта. Диаграммы circle views. Пулевые диаграммы. Диаграммы Ганта. Measure names и measure values в визуализациях. Reverse engineering. Всплывающие подсказки. Всплывающие подсказки с визуализациями. Пороговые значения на графиках. Аналитические инструменты в Custom.
• Презентации. Дополнительные параметры. Изучение типовых параметров. Создание презентации.
• Дашборды. Загрузка и подготовка данных. Подготовка визуализаций. Сборка дашборда. Actions. Демонстрация дашборда. Публикация дашборда.
TableauДашбордыBI-инструментыBI-инструментыВизуализация данных
Проект
Исследуете историю TED-конференций и создадите дашборд в Tableau на основе полученных данных.
 
Дополнительный спринт

Основы машинного обучения

Познакомитесь с основами машинного обучения и узнаете о главных задачах машинного обучения в бизнесе.
PythonPandasSklearnМашинное обучениеЗадачи машинного обученияАлгоритмы машинного обучения
 
Дополнительный спринт

Практика Python

Пройдёте несколько лабораторных занятий с дополнительными задачами на язык программирования Python. А также узнаете, как извлекать данные из веб-ресурсов.

Вам предстоит:
• в строении HTML-страниц и работе GET-запросов,
• научиться писать простые регулярные выражения,
• познакомиться с API и JSON,
• составить несколько запросов к сайтам и собрать данные.
JSONPythonREST APIВеб-скрепинг
 
13 спринт 3 недели

Выпускной проект

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.

Задача относится к одной из пяти сфер бизнеса:
• банки,
• ритейл,
• игры,
• мобильные приложения,
• e-commerce.

Привычного описания шагов в проекте не будет. Вы проработаете их самостоятельно.
SQ LPython PandasTableau Дашборды Postgre SQL Декомпозиция A/B-тестирование