«Продвинутая аналитика данных. Часть 6» [Karpov.Courses] | Data Science - Обучение

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. 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. 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. 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. А в небольших компаниях аналитики могут самостоятельно писать пайплайны обработки данных, поэтому необходимо знать самые популярные и оптимальные инструменты обработки Big Data. 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. Middle аналитик умеет выходить за пределы применения рутинных A/B-тестов, отвечать на сложные вопросы заказчиков и растить значимость экспериментов для принятия решения компании. 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. 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 Корелляция Опыт работы с Tableau, Power BI, Superset или другими похожими инструментами