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
01
дней
02
часов
03
минут
04
секунд
Скидка не распространяется на комбо!
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.
Скидка не распространяется на комбо!
01
дней
02
часов
03
минут
04
секунд
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ИЛИ ОПЛАТА ЧАСТЯМИ 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.
