программа профессиональной переподготовки
Аналитик данных — это специалист, который умеет интерпретировать данные и извлекать из них пользу. Он хорошо разбирается в источниках данных, умеет находить и исправлять в них проблемы, делать визуализации, формулировать и проверять гипотезы. Аналитик помогает планировать эксперименты и измерять их результаты — в частности, он занимается A/B-тестированием, которое лежит в основе принятия решений во многих компаниях.
В программе профессиональной переподготовки «Аналитик данных» изучаются основы баз данных и работа с ними с помощью языка SQL, язык Python и его применения для сбора, визуализации и анализа данных, статистика и машинное обучение, а также конкретные аналитические и продуктовые подходы, которые понадобятся при работе над реальными задачами.
В результате прохождения программы вы получите актуальный технический стек современного аналитика для работы в ведущих IT-компаниях.
академических часов, в том числе 340 часов лекций и семинаров.
12 месяцев обучения.
Оплату можно разбить на 5 частей.
Для студентов, выпускников и слушателей основных и дополнительных программ НИУ ВШЭ предусмотрены скидки.
По итогам программы выдается Диплом о профессиональной переподготовке установленного НИУ ВШЭ образца.
25 февраля 2021 – 5 марта 2022
Занятия два раза в неделю: по четвергам (19:00 - 22:00) и субботам (15:00 - 18:00), очно.
Место проведения: Покровский бульвар, 11
Оставить заявку на обучение
Содержание программы
SQL и основы бизнес-аналитики
10 занятий
- Введение в базы данных.
- Язык запросов и типы данных.
- Секции и порядок выполнения.
- Базовые функции.
- Функции для работы с датой и временем.
- Операции Join.
- Оконные функции.
- Основы визуализации.
- Базовые показатели и их интерпретация.
- Практическая работа по блоку.
18 занятий*
- Введение в язык Python. Знакомство со средой программирования. Базовые операции. Интерпретация ошибок.
- Строки и списки в Python.
- Понятие управляющих конструкций. Условные операторы.
- Циклы for и while.
- Устройство функций в Python. Поиск ошибок в коде и отладка.
- Итераторы, генераторы, генераторы списков. Рекурсия.
- Работа с файлами. Продвинутая работа со словарями.
- Библиотеки для хранения и работы с данными в табличном формате: pandas.
- Сбор данных: web-scraping с BeautifulSoup.
- Сбор данных: Selenium, работа с сервисами через API.
- Объектно-ориентированное программирование. Классы.
- Введение в numpy.
- Введение в pandas.
- Работы с пропущенными данными.
- Визуализация для презентации данных: matplotlib. Основные виды графиков. Основные ошибки при создании визуализаций.
- Создание интерактивных визуализаций: plotly.
- Разведывательный анализ данных. Особенности исследования текста.
6 занятий
- Регулярные выражения.
- Работа с базами данных в Python.
- HTML, CSS, JavaScript — основы для скрейпинга.
- Модуль requests.
- BeatifulSoup и Selenium для парсинга сложных источников.
- BeatifulSoup и Selenium для парсинга сложных источников.
10 занятий*
- Шкалы измерений, генеральная совокупность и выборка.
- Описательные статистики и их свойства.
- Нормальное распределение, статистическая достоверность.
- Статистический вывод, уровень значимости, статистические гипотезы.
- Корреляции (Пирсон, Спирмен, Кендалл).
- Параметрические и непараметрические методы сравнения данных.
- Сравнение номинальных данных.
- Методы сравнения средних: t-test.
- Методы сравнения средних: непараметрические аналоги.
- Методы сравнения средних: ANOVA.
6 занятий
- Задачи визуализации, принципы представления данных.
- Инструменты визуализации, подготовка данных.
- Типы данных и виды графиков.
- Законы восприятия и их использование для демонстрации взаимосвязей и зависимостей.
- Создание интерактивных визуализаций и self-service дашбордов.
- Специфические виды графиков.
16 занятий*
- Введение и основные задачи.
- Линейная регрессия.
- Градиентные методы обучения.
- Линейная классификация и метрики качества классификации.
- Логистическая регрессия и SVM.
- Многоклассовая классификация, работа с категориальными признаками и текстами.
- Решающие деревья.
- Бэггинг и случайные леса.
- Градиентный бустинг.
- Градиентный бустинг: имплементации.
- Отбор признаков и понижение размерности.
- Кластеризация.
- Поиск аномалий.
- Рекомендательные системы.
- Ранжирование.
10 занятий
- Основы продуктовой аналитики, решаемые задачи.
- Базовые метрики продукта и их интерпретация.
- Системы аналитики и сбор данных.
- Когортный анализ.
- Unit экономика.
- Пирамида метрик.
- Дизайн кастомных метрик.
- Аналитические фреймворки.
5 занятий
- Основные аналитические задачи, роли аналитика в команде.
- Разбор аналитических кейсов.
* — данный блок можно пройти как отдельную программу повышения квалификации
Преподаватели
Ксения Байдина
Аналитик в Яндексе
Элен Теванян
Data Science Team Lead в Х5 Retail Group
Беслан Курашов
Аналитик в Яндексе
Ксения Лисицина
ML Engineer в Rubbles
Екатерина Гриценко
Продуктовый аналитик в Rambler Group
Владимир Чеботарёв
Data Warehouse Engineer в Altinity Inc
Михаил Серегин
Менеджер по целевому маркетингу в Яндексе
Эксперты
Роман Беднарский
Менеджер продукта в Яндексе
Филипп Управителев
Продуктовый аналитик в геймдев-компании Pixonic (Mail.ru group)
Дмитрий Животворев
Старший менеджер продукта в Bookmate
Оставить заявку на обучение
