hard АНАЛИТИКА ДАННЫХ. ОБУЧЕНИЕ У НАС |
Помогаем аналитикам перешагнуть на новый уровень в решении важных задач
СТАРТ ПОТОКА
16 МАЯ
16 МАЯ
КОМУ ПОДОЙДЁТ
JUNIOR+ / middle
JUNIOR+ / middle
РАССРОЧКА
ДО 24 МЕСЯЦЕВ
ДО 24 МЕСЯЦЕВ
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
УЗНАТЬ ДАТУ СЛЕДУЮЩЕГО СТАРТА
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
Оставить заявку
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
НАЛОГОВЫЙ ВЫЧЕТ
Вы можете сделать налоговый вычет в размере 13% от стоимости обучения.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Аналитика — это очень многогранная область, в рамках которой приходится сталкиваться с большим количеством задач: построение дашбордов, проведение экспериментов, прогнозирование ключевых показателей продукта, работа с хранилищем и т. д. В рамках работы над данным курсом мы сделали его таким, чтобы после окончания вы смогли решать эти задачи, не испытывая проблем.
Однако, мы осознаем, что работа над технической стороной вопроса — это лишь одна сторона аналитической монеты. Большая часть работы аналитика — это общение с заказчиком, объяснение и правильное преподнесение проделанной работы, поэтому в данном курсе вы еще и найдете материалы о том, как можно это делать с пользой для своей карьеры.
Добро пожаловать на глубины неизведанных аналитических проблем и задач!
Однако, мы осознаем, что работа над технической стороной вопроса — это лишь одна сторона аналитической монеты. Большая часть работы аналитика — это общение с заказчиком, объяснение и правильное преподнесение проделанной работы, поэтому в данном курсе вы еще и найдете материалы о том, как можно это делать с пользой для своей карьеры.
Добро пожаловать на глубины неизведанных аналитических проблем и задач!
//
Head of Data Science Raiffeisen CIB, хедлайнер курса
НЕРСЕС БАГИЯН
//
// Цель нашего курса — помочь опытным аналитикам расширить свои компетенции и задать правильное направление для дальнейшего развития в профессии. Полученный практический опыт позволит углубить знания в области продуктовой аналитики и научиться подбирать правильные инструменты для решения задач в самых неопределённых условиях и незнакомых отраслях. //
Чему вы научитесь [?]
Продуктовый подход к созданию отчетности
Работа с командой DWH и обработка больших данных
Разберётесь, как устроены аналитические хранилища. Поймёте, как работать с большими данными (Spark и Clickhouse) и грамотно общаться с командой DWH.
///
Научитесь разрабатывать систему отчётности для компании и проектировать полезные дашборды.
///
Продвинутые эксперименты
Узнаете, как проектировать, проводить и анализировать эксперименты на всех этапах: от бизнес-идеи, до применения результатов и достижения роста компании.
///
Машинное обучение для решения задач аналитики
Сможете проектировать и реализовывать дизайн экспериментов разного уровня глубины и ширины с несколькими моделями машинного обучения для решения аналитических и исследовательских задач.
///
КОМУ ПОДОЙДЁТ ЭТОТ КУРС:
Вы имеете опыт решения продуктовых задач или разбираетесь в некоторых темах продуктовой аналитики и хотите расширить область компетенций, а также узнать больше о передовых способах решения продуктовых задач.
JUNIOR+/MIDDLE АНАЛИТИК
какие инструменты освоите >
обработка данных
Python
ЧТО НЕОБХОДИМО ДЛЯ КУРСА [?]
- Знание базового синтаксиса Python (циклы, функции, условные операторы)
- Знание библиотек (pandas, numpy, scipy) на уровне импорта, экспорта данных, предобработки, EDA, базовая работа со случайными величинами
- Навыки визуализации в Python (Seaborn, matplotlib построение базовых визуализаций)
- Опыт анализа простых экспериментов (t-test или Манна-Уитни в Python)
- Написание запросов с JOIN, where, group by и агрегационными функциями
- Проверка гипотез
- Ошибки 1-ого и 2-ого рода
- Статистические критерии и p-value
- ЦПТ
- Корреляция
- Опыт работы с Tableau, Power BI, Superset или другими похожими инструментами
- Знание базового синтаксиса Python (циклы, функции, условные операторы)
- Знание библиотек (pandas, numpy, scipy) на уровне импорта, экспорта данных, предобработки, EDA, базовая работа со случайными величинами
- Навыки визуализации в Python (Seaborn, matplotlib построение базовых визуализаций)
- Опыт анализа простых экспериментов (t-test или Манна-Уитни в Python)
- Написание запросов с JOIN, where, group by и агрегационными функциями
- Проверка гипотез
- Ошибки 1-ого и 2-ого рода
- Статистические критерии и p-value
- ЦПТ
- Корреляция
- Опыт работы с Tableau, Power BI, Superset или другими похожими инструментами
ПРОГРАММА КУРСА ://
Продуктовый подход к созданию отчетности
Разработка дашборда — один из самых популярных запросов к аналитику со стороны команды. Часто это не решает проблему заказчика. А без понимания, зачем дашборд создан, он скорее всего не будет пользоваться спросом у заказчика.
Продолжительность модуля
3 недели
Преподаватель
Роман Бунин
Этой проблемы можно избежать, освоив продуктовый подход к созданию дашбордов через применение BI-системы. Так специалист научится предлагать быстрые альтернативные решения или создавать систему отчётности, отвечающую запросам бизнеса.
Программа модуля
- Целеполагание бизнеса, контент и инфраструктура как части BI-системы
- BI-система как продукт
- Системы внутренних метрик для оценки эффективности BI-системы
- Алгоритм создания Dashboard Map
- Роли бизнес пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Как устроены типы задач BI-системы и какие задачи они решают
- Инструменты и шаблоны для обсуждения системы отчетности с заказчиками и бизнес-пользователями
- Приоритизация работы над дашбордами
- Алгоритм проведения интервью с заказчиком для прояснения бизнес-задачи и сбора требований
- Как понимать и применять инструмент Dashboard Canvas в создании дашбордов
- Дизайн-паттерны дашбордов BI-системы
- Целеполагание бизнеса, контент и инфраструктура как части BI-системы
- BI-система как продукт
- Системы внутренних метрик для оценки эффективности BI-системы
- Алгоритм создания Dashboard Map
- Роли бизнес пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Как устроены типы задач BI-системы и какие задачи они решают
- Инструменты и шаблоны для обсуждения системы отчетности с заказчиками и бизнес-пользователями
- Приоритизация работы над дашбордами
- Алгоритм проведения интервью с заказчиком для прояснения бизнес-задачи и сбора требований
- Как понимать и применять инструмент Dashboard Canvas в создании дашбордов
- Дизайн-паттерны дашбордов BI-системы
Описание модульного проекта
Состоит из 2 частей — по итоговому заданию каждого блока (мини-проекты). Вам предстоит собрать проекта DashBoard Map и создать дашборд в рамках BI-системы под конкретную задачу, получив обратную связь от экспертов курса.
Работа с командой DWH и обработка больших данных
В корпорациях аналитику нужно коммуницировать со специалистами по аналитическим хранилищам (DWH). Для этого важно понимать, какие бывают хранилища, как с ними работать и как именно в компании отвечают на вопрос о правильном хранении данных.
Продолжительность модуля
5 недель
Преподаватели
Евгений Ермаков, Александр Волынский
А в небольших компаниях аналитики могут самостоятельно писать пайплайны обработки данных, поэтому необходимо знать самые популярные и оптимальные инструменты обработки Big Data.
Программа модуля
- Основные архитектуры платформ данных: DWH, Data Lake, Data Lakehouse
- Общая структура хранилища и основные инструменты для работы в нем
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark: создание, фильтрация, сортировка, группировка и агрегация, джойны и работа с колонками Spark DataFrame, использование партиций
- Оптимизация запросов в Spark: параллелизм, broadcast, UDF, caching, coalesce, skew, early filter, правильные форматы файлов для работы, small file problem
- Как устроен Clickhouse и для каких задач он подходит: MPP обработка, колоночное хранение
- Простые и сложные запросы в Clickhouse, оптимизация запросов к Clickhouse
- S3: как устроен инструмент и для каких задач подходит
- Работа с S3 с помощью Spark и Boto3
- Логическая архитектура DWH: общая архитектура и архитектура слоев данных
- Варианты строительства DWH: DWH по Инману и Кимбалу, Data Vault, Anchor Modelling. Плюсы и минусы разных подходов с точки зрения внесения изменений в данные
- Организация работы DWH: классические роли и подходы, Data Mesh
- Процессы вокруг данных по DAMA DMBOK
- Основные архитектуры платформ данных: DWH, Data Lake, Data Lakehouse
- Общая структура хранилища и основные инструменты для работы в нем
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark: создание, фильтрация, сортировка, группировка и агрегация, джойны и работа с колонками Spark DataFrame, использование партиций
- Оптимизация запросов в Spark: параллелизм, broadcast, UDF, caching, coalesce, skew, early filter, правильные форматы файлов для работы, small file problem
- Как устроен Clickhouse и для каких задач он подходит: MPP обработка, колоночное хранение
- Простые и сложные запросы в Clickhouse, оптимизация запросов к Clickhouse
- S3: как устроен инструмент и для каких задач подходит
- Работа с S3 с помощью Spark и Boto3
- Логическая архитектура DWH: общая архитектура и архитектура слоев данных
- Варианты строительства DWH: DWH по Инману и Кимбалу, Data Vault, Anchor Modelling. Плюсы и минусы разных подходов с точки зрения внесения изменений в данные
- Организация работы DWH: классические роли и подходы, Data Mesh
- Процессы вокруг данных по DAMA DMBOK
Описание модульного проекта
Есть единый финальный проект модуля, который предполагает использование всех изученных инструментов в модуле: с помощью spark вычитываем данные из S3 и CH, проводим преобразования (фильтрация, агрегация, джойны и тд), чтобы получить отчет для записи в CH.
Продвинутые эксперименты
Как оценить влияние изменений в компании на ключевые метрики бизнеса? С помощью экспериментов, конечно! Чем выше уровень аналитика, тем более сложные дизайны он умеет проектировать, а также ускорять их проведение, анализировать результаты и учитывать специфику конкретных метрик при выборе способов оценки изменений.
Продолжительность модуля
8 недель
Преподаватель
Дмитрий Казаков
Middle аналитик умеет выходить за пределы применения рутинных A/B-тестов, отвечать на сложные вопросы заказчиков и растить значимость экспериментов для принятия решения компании.
Программа модуля
- 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
- 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
Описание модульного проекта
Оценка за модуль складывается на основе работы с ситуационными кейсами и мини-проектами на реальных данных по каждому блоку, где необходимо решить поставленную проблему или применить изученный инструмент. Блок 1 — кейс-тест, Блок 2 — 7 мини-проектов и кейс-тест, Блок 3 — 6 мини-проектов.
Машинное обучение для решения задач аналитики
Для решения нетривиальных задач аналитику, скорее всего, придётся выйти за рамки привычных инструментов, поэтому в этом модуле мы познакомимся с продвинутыми методами машинного обучения.
Продолжительность модуля
8 недель
Преподаватель
Никита Табакаев
Программа модуля
- Базовые термины машинного обучения для декомпозиции и описания аналитической задачи
- Модель линейной регрессии в контексте решения аналитических задач
- Строительство линейной регрессии в Python с помощью библиотеки sklearn
- Функции ошибки для оценки результатов моделей машинного обучения: MSE и MAE. Различия между функцией ошибки, функционалом качества и метрикой
- Интерпретация результатов модели линейной регрессии
- Пайплайн для эксперимента с моделями машинного обучения, цели экспериментирования, цели и предполагаемый результат каждого этапа эксперимента
- Способы обработки данных для использования в моделях машинного обучения: чистка, заполнение пропусков, цифровизация, масштабирование фичей
- Стратегии валидации данных: cross-валидация, train/test split, валидация для задачи с данными с временной структурой
- Расширенные версии линейной регрессии: Lasso, Ridge
- Ограничения модели линейной регрессии: проблема мультиколлинеарности
- Критерии для сравнения линейных моделей и выбор функции ошибки
- Стратегии бинаризации таргета для подготовки данных к обучению модели
- Механизм работы логистической регрессии, SVM и прочих соседних линейных подходов в задаче классификации
- Применение регуляризации в задачах классификации
- Метрики классификации: F-мера, precision, recall, roc-auc, pr-auc
- Калибровка вероятностей и зачем она нужна
- Интерпретация линейных моделей классификации: оценка вероятности, значимость фичей, log-odds
- Концепция метрического подхода в задачах регрессии и классификации
- Алгоритм KNN: ограничения и направления для усложнения работы алгоритма
- Особенности интерпретации метрических подходов
- Механизм работы KMeans и Dbscan, преимущества и ограничения
- Метрики оценки качества кластеризации: внутрикластерное или межкластерное расстояние
- Основные спецификации данных с временной структурой
- Авторегрессия, (S)ARIMA и некоторые более продвинутые эконометрические уравнения
- Библиотека prophet в контексте анализа временных рядов
- Критерии декомпозици временного ряда: тренд, сезонность, шум
- Решающее дерево и жадный алгоритм его построения
- Ограничения решающих деревьев и сложность в их настройке
- Бэггинг, бустинг, стэкинг
- Gradient Boosting и Random Forest, концепция BVD
- Механизм работы Isolation Forest
- Базовые термины машинного обучения для декомпозиции и описания аналитической задачи
- Модель линейной регрессии в контексте решения аналитических задач
- Строительство линейной регрессии в Python с помощью библиотеки sklearn
- Функции ошибки для оценки результатов моделей машинного обучения: MSE и MAE. Различия между функцией ошибки, функционалом качества и метрикой
- Интерпретация результатов модели линейной регрессии
- Пайплайн для эксперимента с моделями машинного обучения, цели экспериментирования, цели и предполагаемый результат каждого этапа эксперимента
- Способы обработки данных для использования в моделях машинного обучения: чистка, заполнение пропусков, цифровизация, масштабирование фичей
- Стратегии валидации данных: cross-валидация, train/test split, валидация для задачи с данными с временной структурой
- Расширенные версии линейной регрессии: Lasso, Ridge
- Ограничения модели линейной регрессии: проблема мультиколлинеарности
- Критерии для сравнения линейных моделей и выбор функции ошибки
- Стратегии бинаризации таргета для подготовки данных к обучению модели
- Механизм работы логистической регрессии, SVM и прочих соседних линейных подходов в задаче классификации
- Применение регуляризации в задачах классификации
- Метрики классификации: F-мера, precision, recall, roc-auc, pr-auc
- Калибровка вероятностей и зачем она нужна
- Интерпретация линейных моделей классификации: оценка вероятности, значимость фичей, log-odds
- Концепция метрического подхода в задачах регрессии и классификации
- Алгоритм KNN: ограничения и направления для усложнения работы алгоритма
- Особенности интерпретации метрических подходов
- Механизм работы KMeans и Dbscan, преимущества и ограничения
- Метрики оценки качества кластеризации: внутрикластерное или межкластерное расстояние
- Основные спецификации данных с временной структурой
- Авторегрессия, (S)ARIMA и некоторые более продвинутые эконометрические уравнения
- Библиотека prophet в контексте анализа временных рядов
- Критерии декомпозици временного ряда: тренд, сезонность, шум
- Решающее дерево и жадный алгоритм его построения
- Ограничения решающих деревьев и сложность в их настройке
- Бэггинг, бустинг, стэкинг
- Gradient Boosting и Random Forest, концепция BVD
- Механизм работы Isolation Forest
НЕ УВЕРЕНЫ, ХВАТИТ ЛИ ЗНАНИЙ ДЛЯ КУРСА?
Оставьте заявку, мы свяжется с вами и поможем подобрать курс, который будет полностью соответствовать вашим целям
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
ПОДРОБНЕЕ О КУРСЕ HARD АНАЛИТИКА ДАННЫХ
Нерсес Багиян расскажет о курсе и его содержании. Вы узнаете, в чём ценность каждого модуля, какие задачи предстоит решать и сколько времени понадобится на освоение программы.
Стоимость обучения
> 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:
Скидка 30 000 ₽ при полной оплате
> Продвинутые эксперименты
> Поддержка преподавателей
> Работа на удаленном сервере
> Поддержка преподавателей
> Работа на удаленном сервере
12 500 ₽ / мес. *
рассрочка
от партнёра:
от партнёра:
* При рассрочке на 12 месяцев.
Срок рассрочки можно выбрать на этапе оплаты. Доступны опции от 10 до 24 мес.
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ОТ НАШИХ ПАРТНЁРОВ
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
НЕРСЕС БАГИЯН
Руководитель направления продвинутой аналитики в Raiffeisen CIB. Преподаватель машинного обучения на Факультете компьютерных наук Высшей школы экономики (ФКН НИУ ВШЭ). Выпускник школы анализа данных от Яндекса.
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года
ЕВГЕНИЙ ЕРМАКОВ
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.
Модуль:
ДМИТРИЙ КАЗАКОВ
Директор по Аналитике в Kolesa Group (группе крупнейших в Центральной Азии классифайдов). 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. Лидил команды аналитики в автоклассифайде kolesa.kz и классифайде недвижимости krisha.kz. Работал в команде построения BI одного из крупнейших банков Казахстана Kazkom. Занимался market research и консалтингом в аналитике.
Авторы курса >
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Дмитрий Казаков
Chief Analytics Officer in Kolesa Group
РОМАН БУНИН
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
ЕВГЕНИЙ ЕРМАКОВ
Руководитель платформы данных toloka.ai
АЛЕКСАНДР ВОЛЫНСКИЙ
Технический менеджер продукта ML Platform в VK Cloud Solutions
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
Модуль:
Работа с командой DWH и обработка больших данных
Читать подробнее →
Head of DS в Raiffeisen CIB
НЕРСЕС БАГИЯН
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.
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.
