Hard Аналитика данных
Повысьте грейд за 6 месяцев
СТАРТ ПОТОКА
СКОРО ПОЯВИТСЯ
СКОРО ПОЯВИТСЯ
уровень сложности
JUNIOR+ / middle
JUNIOR+ / middle
ФОРМАТ ОБУЧЕНИЯ
видеолекции и задания
видеолекции и задания
курс от экспертов индустрии
Курс
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
кому подойдет курс //
На курсе «Hard Аналитика данных» вы освоите навыки, необходимые аналитику уровня middle, а после курса сможете претендовать на повышение грейда как внутри компании, так и при поиске работы.
Аналитик данных уровня junior
Аналитик данных уровня middle
Продуктовый аналитик
BI-аналитик
Кто такой middle аналитик данных >>
При составлении программы мы опирались на опыт практиков индустрии и нанимающих лидов, а также проанализировали карты компетенций крупных российских tech-компаний.
Для middle аналитиков важны не только hard, но и soft skills — именно поэтому в обучении мы уделяем особое внимание общению с заказчиками и объясняем, как преодолеть сложности кросс-командной коммуникации.
Специалист растет, когда успешно справляется с новыми для себя задачами или решает проблемы шире своей зоны ответственности. Это возможно только тогда, когда багаж знаний включает не только основы работы с данными, но и темы из смежных областей, — поэтому в программе курса вы найдете 4 модуля из разных сфер Data Science.
мы сделали 2 важных вывода:
1
2
почему курс актуален //
Программа курса «Hard Аналитика данных» поможет в решении проблем, с которыми нередко сталкиваются аналитики крупных компаний — даже если вы лично пока с ними еще не сталкивались.
Аналитикам часто приходится создавать дашборды. Но если они формируются без понимания задач бизнеса, то только отнимают время у команды.
Создание ненужных отчетностей
Чтобы успешно работать в связке с узкими специалистами, нужно разбираться в области. Еще лучше — уметь самостоятельно писать пайплайны обработки данных, если у компании нет команды DWH.
Неэффективная коммуникация с командой DWH
В процессе обучения вы разберетесь в типах хранилищ данных и способах взаимодействия с ними, а также освоите Spark, S3, Clickhouse как самые популярные и оптимальные инструменты обработки больших данных.
Стандартные A/B-тесты работают не всегда, а ошибка в расчетах может обернуться большими расходами. Аналитик данных уровня middle должен знать, как выйти за пределы применения стандартных тестов и ответить на сложные вопросы заказчика.
Задачи, которые нельзя решить стандартными методами
На курсе вы узнаете, как выстроить культуру экспериментов в компании, изучите продвинутые методы экспериментов и узнаете что делать в случаях, если провести стандартный A/B-тест невозможно.
Аналитики данных регулярно взаимодействуют с командой инженеров машинного обучения, поэтому полезно знать основы и уметь решать базовые задачи самостоятельно. Еще лучше, если аналитик умеет сам строить модели — это дает преимущество на рынке труда.
Незнание методов машинного обучения
В процессе обучения вы разберетесь, как создавать и обучать модели, а затем оценивать и интерпретировать результаты для бизнеса.
На курсе вы освоите продуктовый подход, узнаете, какие существуют альтернативы дашбордам, и научитесь выбирать оптимальный вариант отчетности для решения поставленной задачи. Ваши дашборды будут отражать максимум информации и четко отвечать на запросы бизнеса.
Аналитикам часто приходится создавать дашборды. Но если они формируются без понимания задач бизнеса, то только отнимают время у команды.
- Создание ненужных отчетностей
Чтобы успешно работать в связке с узкими специалистами, нужно разбираться в области. Еще лучше — уметь самостоятельно писать пайплайны обработки данных, если у компании нет команды DWH.
2. Неэффективная коммуникация с командой DWH
В процессе обучения вы разберетесь в типах хранилищ данных и способах взаимодействия с ними, а также освоите Spark, S3, Clickhouse как самые популярные и оптимальные инструменты обработки больших данных.
Стандартные A/B-тесты работают не всегда, а ошибка в расчетах может обернуться большими расходами. Аналитик данных уровня middle должен знать, как выйти за пределы применения стандартных тестов и ответить на сложные вопросы заказчика.
3. задачи, которые нельзя решить стандартными методами
На курсе вы узнаете, как выстроить культуру экспериментов в компании, изучите продвинутые методы экспериментов и узнаете что делать в случаях, если провести стандартный A/B-тест невозможно.
Аналитики данных регулярно взаимодействуют с командой инженеров машинного обучения, поэтому полезно знать основы и уметь решать базовые задачи самостоятельно. Еще лучше, если аналитик умеет сам строить модели — это дает преимущество на рынке труда.
4. Незнание методов машинного обучения
В процессе обучения вы разберетесь, как создавать и обучать модели, а затем оценивать и интерпретировать результаты для бизнеса.
На курсе вы освоите продуктовый подход, узнаете, какие существуют альтернативы дашбордам, и научитесь выбирать оптимальный вариант отчетности для решения поставленной задачи. Ваши дашборды будут отражать максимум информации и четко отвечать на запросы бизнеса.
что нужно для начала /?/
Знаете базовый синтаксис, умеете работать с библиотеками на уровне экспорта/импорта данных, владеете навыком построения базовых визуализаций
Владеете навыком проверки гипотез, знакомы со статистическими критериями и p-value
Уже работали с Tableau, Power BI, Superset или похожими инструментами
Умеете писать запросы с JOIN, where, group by и агрегационными функциями
PYTHON
SQL
Дашборды и визуализация данных
Статистика и теория вероятностей
Оставьте заявку, мы свяжется с вами и поможем подобрать курс, который будет полностью соответствовать вашему уровню и целям.
НЕ УВЕРЕНЫ, ЧТО КУРС ВАМ ПОДХОДИТ?
программа курса >>
Продуктовый подход к созданию отчетности
преподаватель:
Роман Бунин
Продолжительность:
3 недели
Практические задания:
После каждого блока
- BI-система как продукт
- Алгоритм создания Dashboard Map
- Роли бизнес-пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Типы дашбордов
- Метрики и срезы
- Фасилитация
- Воркшоп по заполнению фреймворка Dashboard map
- Итоговый минипроект по блоку
- Алгоритм Dashboard Canvas фреймворк
- Подготовка и проведение интервью
- Структурирование требований в Dashboard Canvas
- Дизайн-паттерны
- Утверждение макета с заказчиком
- Разбор кейса
- Прототип, демо и оценка результатов проекта
- Итоговый проект по модулю
- BI-система как продукт
- Алгоритм создания Dashboard Map
- Роли бизнес-пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Типы дашбордов
- Метрики и срезы
- Фасилитация
- Воркшоп по заполнению фреймворка Dashboard map
- Итоговый минипроект по блоку
- Алгоритм Dashboard Canvas фреймворк
- Подготовка и проведение интервью
- Структурирование требований в Dashboard Canvas
- Дизайн-паттерны
- Утверждение макета с заказчиком
- Разбор кейса
- Прототип, демо и оценка результатов проекта
- Итоговый проект по модулю
Работа с командой DWH и обработка больших данных
преподаватели:
Евгений Ермаков, Александр Волынский
Продолжительность:
5 недель
финальный проект:
по модулю
- Архитектура современной платформы данных
- S3: как устроен инструмент и для каких задач подходит
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark. Работа с S3 с помощью Spark и Boto3
- Оптимизация запросов в Spark
- Как устроен Clickhouse и для каких задач он подходит
- Оптимизация запросов в ClickHouse и типичные ошибки
- Materialized View в ClickHouse
- Логическая архитектура DWH
- Варианты проектирования DWH: по Инмону и Кимбаллу, Data Vault, Anchor Modelling
- Организация работы DWH
- Процессы вокруг данных по DAMA DMBOK
- Ситуационный кейс: приземлить задачу на DWH с помощью терминов и артефактов
- Финальный проект
- Архитектура современной платформы данных
- S3: как устроен инструмент и для каких задач подходит
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark. Работа с S3 с помощью Spark и Boto3
- Оптимизация запросов в Spark
- Как устроен Clickhouse и для каких задач он подходит
- Оптимизация запросов в ClickHouse и типичные ошибки
- Materialized View в ClickHouse
- Логическая архитектура DWH
- Варианты проектирования DWH: по Инмону и Кимбаллу, Data Vault, Anchor Modelling
- Организация работы DWH
- Процессы вокруг данных по DAMA DMBOK
- Ситуационный кейс: приземлить задачу на DWH с помощью терминов и артефактов
- Финальный проект
Продвинутые эксперименты
преподаватель:
Дмитрий Казаков
Продолжительность:
10 недель
финальный проект:
по модулю
- Эксперименты и data-driven культура компании: роль, эволюция развития, принципы внедрения, артефакты
- Процесс управления движением продукта через эксперименты: принятие решений, валидация проблем и идей гипотез, правильный бэклог и приоритизация
- Обход проблемы нечувствительных тестов: снижение дисперсии и повышение чувствительности эксперимента с помощью стратификации
- Обход проблемы слишком длинных тестов с помощью CUPED: ускорение тестов и определение оптимальной длительности с точки зрения бизнеса
- Обход проблемы подглядывания. SPRT
- Методики сausal inference: Diff in Diff, Causal Impact, Propensity Score matching
- Метрики бизнеса и метрики эксперимента: какие бывают и как связаны между собой
- Чувствительность, ошибки 1-го и 2-го рода в тесте, статистическая и практическая значимость эксперимента
- Формирование выборки, сплитование, проверка и починка ошибок сплитования
- Оптимальный критерий или метод оценки эффекта. Бутстрап
- Обход проблемы множественных сравнений
- Угрозы внешней достоверности результатов и способы их обхождения
- Чеклисты запуска и контроля эксперимента
- Презентация результатов эксперимента бизнесу
- Эксперименты и data-driven культура компании: роль, эволюция развития, принципы внедрения, артефакты
- Процесс управления движением продукта через эксперименты: принятие решений, валидация проблем и идей гипотез, правильный бэклог и приоритизация
- Метрики бизнеса и метрики эксперимента: какие бывают и как связаны между собой
- Чувствительность, ошибки 1-го и 2-го рода в тесте, статистическая и практическая значимость эксперимента
- Формирование выборки, сплитование, проверка и починка ошибок сплитования
- Оптимальный критерий или метод оценки эффекта. Бутстрап
- Обход проблемы множественных сравнений
- Угрозы внешней достоверности результатов и способы их обхождения
- Чеклисты запуска и контроля эксперимента
- Презентация результатов эксперимента бизнесу
- Обход проблемы нечувствительных тестов: снижение дисперсии и повышение чувствительности эксперимента с помощью стратификации
- Обход проблемы слишком длинных тестов с помощью CUPED: ускорение тестов и определение оптимальной длительности с точки зрения бизнеса
- Обход проблемы подглядывания. SPRT
- Методики сausal inference: Diff in Diff, Causal Impact, Propensity Score matching
Машинное обучение для решения задач аналитики
преподаватель:
Никита Табакаев
Продолжительность:
5 недель
- Компоненты машинного обучения
- Дизайн экспериментов с моделями МО
- Линейные модели МО для решения задач классификации
- Метрические подходы МО для решения задач прогнозирования
- Метрические подходы МО для решения задач кластеризации объектов
- Эконометрический подход в решении задачи прогнозирования временных рядов
- Решающие деревья, композиции: градиентный бустинг и случайный лес
авторы курса //
Head of Data Science Raiffeisen CIB, хедлайнер курса
- руководит data-трансформацией в Райффайзен CIB
- хедлайнер курсов StartML, Hard аналитика и Deep Learning Engineer
- специализируется на машинном обучении и продвинутой аналитике данных
- студент аспирантской школы по экономике НИУ ВШЭ
Нерсес Багиян
Head of Data Science Raiffeisen CIB, хедлайнер курса
Chief Analytics Officer in Kolesa Group
- Отвечает за развитие команд продуктовой аналитики, экспериментов, DWH, UX-research и Data Science.
- Работает над построением data-driven, experiment-driven культуры и discovery процессов в продуктовой аналитике.
- Работал в команде построения BI одного из крупнейших банков Казахстана Kazkom.
ДМИТРИЙ КАЗАКОВ
Chief Analytics Officer in Kolesa Group
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
- BI-евангелист Яндекс Облако, в прошлом три года руководил группой развития BI Yandex Go
РОМАН БУНИН
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
Руководитель платформы данных toloka.ai
- Более 10 лет опыта работы с данными.
- Архитектор DWH и систем анализа данных в VK и Яндекс.Такси.
- Кандидат технических наук, автор более 10 работ в области анализа данных.
- Соавтор монографии по теории и практике анализа параллельных баз данных.
ЕВГЕНИЙ ЕРМАКОВ
Руководитель платформы данных toloka.ai
Технический менеджер ML сервисов в VK Cloud
- Специалист по Big Data и AI, занимается внедрением сложных кастомных проектов.
- Участвовал в создании хранилищ данных в компаниях Платформа ОФД, X5 и VK.
АЛЕКСАНДР ВОЛЫНСКИЙ
Технический менеджер ML сервисов в VK Cloud
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
Head of Data Science Raiffeisen CIB, хедлайнер курса
- руководит data-трансформацией в Райффайзен CIB
- хедлайнер курсов StartML, Hard аналитика и Deep Learning Engineer
- специализируется на машинном обучении и продвинутой аналитике данных
- студент аспирантской школы по экономике НИУ ВШЭ
Нерсес Багиян
Head of Data Science Raiffeisen CIB, хедлайнер курса
Chief Analytics Officer in Kolesa Group
- Отвечает за развитие команд продуктовой аналитики, экспериментов, DWH, UX-research и Data Science.
- Работает над построением data-driven, experiment-driven культуры и discovery процессов в продуктовой аналитике.
- Работал в команде построения BI одного из крупнейших банков Казахстана Kazkom.
ДМИТРИЙ КАЗАКОВ
Chief Analytics Officer in Kolesa Group
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
BI-евангелист Яндекс Облако, в прошлом три года руководил группой развития BI Yandex Go
РОМАН БУНИН
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
Руководитель платформы данных toloka.ai
- Более 10 лет опыта работы с данными.
- Архитектор DWH и систем анализа данных в VK и Яндекс.Такси.
- Кандидат технических наук, автор более 10 работ в области анализа данных.
- Соавтор монографии по теории и практике анализа параллельных баз данных.
ЕВГЕНИЙ ЕРМАКОВ
Руководитель платформы данных toloka.ai
Технический менеджер ML сервисов в VK Cloud
- Специалист по Big Data и AI, занимается внедрением сложных кастомных проектов.
- Участвовал в создании хранилищ данных в компаниях Платформа ОФД, X5 и VK.
АЛЕКСАНДР ВОЛЫНСКИЙ
Технический менеджер ML сервисов в VK Cloud
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
как будете учиться /?/
как будете учиться
- Уроки открываются 3 раза в неделю — по понедельникам, средам и пятницам
- Все лекции доступны в записи и разбиты на компактные видео по 15−40 минут
- На обучение понадобится в среднем от 8 до 16 часов в неделю
- Сдавать домашние задания можно в течение двух недель
=> Самостоятельно планируйте нагрузку
- Смотрите видеолекции и читайте конспекты к ним
- Практикуйтесь на заданиях с кодом
- Отправляйте решения на ревью и получайте обратную связь
- Изучайте разборы идеальных решений в видео и текстовом формате
- Погружайтесь в дополнительные материалы в каждом уроке
- Выполняйте проекты в каждом модуле
- Практикуйтесь на данных из разных сфер бизнеса
- Закрепляйте навыки на задачах и проектах из индустрии
- Работайте с инструментами в настоящем рабочем окружении
=> Решайте реальные задачи
=> Берите максимум от обучения
кто будет помогать в обучении //
Всегда готовы поддержать, приободрить и помочь в решении организационных вопросов
Кураторы
Виртуальный помощник на базе ChatGPT ответит на любые вопросы из области анализа данных и программирования
Чат-бот Ева
Проверяют код, справедливо оценивают проекты и дают развёрнутую обратную связь
Ревьюеры
Помогают справиться с задачами, делятся опытом и подталкивают к правильному решению
Эксперты
стоимость обучения >>
Беспроцентная рассрочка от наших партнёров
hard аналитика данных
> Продуктовый подход к созданию отчетности
> Работа с командой DWH и обработка больших данных
> Машинное обучение для решения задач аналитики
> Работа с командой DWH и обработка больших данных
> Машинное обучение для решения задач аналитики
120 000 ₽
ПОЛНАЯ ОПЛАТА ИЛИ В РАССРОЧКУ НА 6 МЕСЯЦЕВ:
Скидка 30 000 ₽ при единовременной оплате или в рассрочку на 6 месяцев от Тинькофф
> Продвинутые эксперименты
> Поддержка преподавателей
> Работа на удаленном сервере
> Поддержка преподавателей
> Работа на удаленном сервере
12 500 ₽ / мес. *
рассрочка от партнёра:
* При рассрочке на 12 месяцев.
Срок рассрочки можно выбрать на этапе оплаты. Доступны опции от 10 до 24 мес.
Выгодно
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ИЛИ ОПЛАТА ЧАСТЯМИ ОТ НАШИХ ПАРТНЁРОВ
Хотите получить не только ценные навыки, но и диплом вуза?
Обратите внимание на совместную программу магистратуры НИУ ВШЭ и karpov.courses «Аналитика больших данных».
Программа спроектирована с фокусом на практику и для подготовки специалистов в области Data Science.
Решайте аналитические задачи на продвинутом уровне, осваивайте инфраструктуру для работы с данными, учитесь строить BI-системы и создавать модели машинного обучения.
Программа спроектирована с фокусом на практику и для подготовки специалистов в области Data Science.
Решайте аналитические задачи на продвинутом уровне, осваивайте инфраструктуру для работы с данными, учитесь строить BI-системы и создавать модели машинного обучения.
ЗАПИСАТЬСЯ НА КОНСУЛЬТАЦИЮ ПО ПРОГРАММЕ
Мы свяжемся с вами и ответим на все ваши вопросы
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
FAQ >>
Да, мы осуществляем образовательную деятельность на основании государственной лицензии № 042 048 от 11 апреля 2022 года, выданной Департаментом образования и науки города Москвы.
Да. Если вы оплатили обучение на курсе после 23 мая 2022 года, являетесь налоговым резидентом России и уплачиваете подоходный налог, вы можете оформить вычет. Однако подать документы можно только в году, следующем за годом оплаты обучения.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
- Python. Знание базового синтаксиса python. Циклы, функции. Знание pandas, numpy, scipy на уровне импорта, экспорта данных, предобработки и EDA, Seaborn, matplotlib умение построения базовых визуализаций. Опыт анализа простых экспериментов например t-test или Манна-Уитни в Python;
- Знание SQL на уровне написания запросов с JOIN, where, group by и агрегационными функциями;
- Статистика и теория вероятностей. Знать и понимать процесс проверки гипотез, ошибки 1-го и второго уровня, статистические критериев и p-value, а также принципы работы центральной предельной теоремы и знание факторов влияющих на размер выборки. Меры центральной, тенденции, функции плотности вероятности и меры разброса. Корреляция и причинность;
- Навыки построения дашбордов и визуализации данных: опыт работы с Tableau, Power BI, superset или другими похожими инструментами.
Лекции вы сможете смотреть с любого устройства, но для написания кода вам потребуется компьютер или ноутбук. Требований к конфигурации и мощности нет — мы предоставим всю необходимую инфраструктуру для работы на удалённом сервере. На старте обучения специальные программы устанавливать не обязательно — будут нужны только браузер и стандартные приложения для общения: Telegram, Zoom и Discord.
Средняя нагрузка составляет 6−12 часов в неделю в зависимости от сложности, включая разбор теории, выполнение заданий, проектов, общение по сложным вопросам с командой экспертов.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе — все лекции записаны заранее и разбиты на отдельные видео, а для домашних заданий установлены мягкие и жесткие дедлайны.
Обучение длится максимум 6 месяцев (26 недель) — от старта первого дня обучения до момента выдачи сертификатов. Каждую неделю вы будете проходить максимум три урока, доступ к которым будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий. По истечении дедлайна будет открываться доступ к разборам заданий. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к преподавателям и специалистам команды поддержки. Все учебные материалы будут доступны круглосуточно на нашей образовательной платформе.
Набрать минимум 75% баллов за всю программу. Баллы присваиваются только за выполнение практических заданий: ситуационные кейсы, задания на тренировку навыков, мини- и заключительные проекты. Общего финального проекта на программе не предусмотрено. Задания на проверку понимания терминологии и основных тезисов лекции не оцениваются.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда экспертов, которая поможет разобраться со сложной задачей.
Остались вопросы?
Отправьте заявку, и мы проконсультируем вас.
