Формат курса и программа (120 лекций и воркшопов):1) Практика после каждого занятия
2) Помощь и проверка ДЗ от персонального ментора
3) По курсу можно идти со своей скоростью (
среднее время прохождения: 8-12 месяцев)
4) Все материалы будут доступны и после окончания курса
5) В процессе обучения вы защищаете диплом и мы помогаем с трудоустройством
Блок 1: "Продуктовая аналитика и работа в команде" - Роль и место аналитика в продуктовой команде
- Приёмка задач: понимание проблем
- Типовые задачи по аналитике и планирование работы над подобными задачами
- Управление продуктом на основе модели Lean Canvas и роль аналитики в этой модели
- MVP-подход для решения аналитических задач
- Основные типы бизнес-метрик
- Unit-экономика
- Декомпозиция метрик и факторный анализ - практика
- Введение в web-аналитику: основные понятия и инструменты
- Основные отчеты Google Analytics
- Основные отчеты Yandex Metrica
- Основные отчеты App Metrica
...
Блок 2: "Маркетинговая и клиентская аналитика" - Введение в маркетинговую аналитику
- KPI и метрики
- UTM-метки
- Основные источники данных и методы их анализа
- Сквозная аналитика
- Методы сегментации клиентов и целевой аудитории
- Введение в RFM-анализ
- Введение в когортный анализ
...
Блок 3: "A/B-тестирование" - Проверка гипотез и поиск точек роста с помощью A/B-тестирования
- Теория выборочных обследований
- Математическая статистика в теории выборочных обследований
- Статистическая проверка итогов тестирования
- Последовательность проведения A/B-тестов. Оценка затрат на тесты. Карты гипотез
- Основные проблемы A/B-тестирования и способы их решения.
- Инструменты A/B-тестирования
- Особенности проведения A/B-тестов в оффлайн-бизнесе
...
Блок 4: "SQL и получение данных" - Основы SQL
- Обновление, добавление и удаление данных. Работа с таблицами
- Представления и хранимые процедуры. Особенности обработки транзакций
- Расширенные возможности SQL и основные ограничения
- Фильтрация данных и вычисляемые поля - практика (SELECT, SUM, AVG, GROUP BY, ..)
- Группировка данных, подзапросы и объединение таблиц - практика (INNER, LEFT, RIGHT, DISTINCT, ..)
- Обновление, добавление и удаление данных. Работа с таблицами (INSERT, UPDATE, DELETE, MERGE, FOREIGN KEY, ..)
...
Блок 5: "Python и обработка данных" - Введение в анализ данных с помощью Python
- Python: настройка окружения, базовые структуры данных и основные операторы
- Python: работа с файлами и форматированный вывод
- Python: пространства имен и области видимости, классы и объекты
- Python: инструменты функционального программирования
- Python: стандартные и сторонние библиотеки Python для анализа данных
...
Блок 6: "Инструменты визуализации и презентация аналитики" - Сравнительный обзор основных инструментов визуализации данных
- Основные ошибки при проектировании отчетности и визуализации данных
- Расширенные возможности визуализации в Excel и Google Sheets, Google Data Studio + практика
- Организация хранения данных для целей анализа
- Презентация результата команде
- Работа с популярными BI-программами (MySQL, SQL Server, Power BI, Redash, Tableau)
- Решение бизнес-задач в команде
- Как работать с командой и подрядчиками
- Как управлять процессами по аналитике
Блок 7: "Python, мат.модели и обработка данных" - Python: настройка окружения, базовые структуры данных и основные операторы
- Python: работа с файлами и форматированный вывод
- Python: пространства имен и области видимости, классы и объекты
- Python: инструменты функционального программирования
- Python: стандартные и сторонние библиотеки Python для анализа данных
- Основы линейной алгебры и теории множеств
- Методы математической оптимизации
- Основы описательной статистики
- Статистический анализ данных
...
Блок 8: "Построение Machine Learning моделей" - Линейные методы, логистическая регрессия и SVM
- Деревья решений
- Линейная и полиноминальная регрессия
- Алгоритмы кластеризации
- Способы повышения качества модели
- Функции потерь и оптимизация
- Оценка точности модели, борьба с переобучением, регуляризация
- Улучшение качества модели
...
Блок 9: "Аналитика больших данных" - Машинные методы для обработки данных
- Культура сбора и источники данных
- Предобработка и визуализация данных в pandas
- Улучшение качества работы с данными
- Построение прогнозных и предсказательных моделей
- Основы архитектуры хранения и обработки больших данных, виды обработки и масштабирования
- Основы работы в Hadoop и MapReduce
- Работа с облачными платформами: AWS, EMR, Azure
- Продвинутые подходы в MapReduce
- Работа в pyspark
- Организация команды для работы с данными. CRISP-DM
...
Блок 10: "Рекомендательные системы и обработка естественного языка (NLP)" - Неперсонализированные рекомендательные системы
- Сontent-based-рекомендации
- Collaborative Filtering
- Гибридные алгоритмы
- Поиск по картинкам
- Сегментация изображений, детекция объектов
- Применение свёрточных нейронных сетей для задач сегментации и детекции
- Применение рекуррентных сетей в задачах обработки изображений
- Генеративные конкурирующие сети (GAN)
- Морфологический и синтаксический анализ
- Тематическое моделирование (LSA, LDA, HDP)
- Дистрибутивная семантика (word2vec, GloVe, AdaGram)
- Счётные языковые модели и вероятностные языковые модели. LSTM.
- Машинный перевод
- Генерация текстов (Natural Language Generation
...
Блок 11: Дипломная работа и помощь с трудоустройством - Работа над дипломным проектом для портфолио
- Подготовка резюме
- Подготовка к собеседованию
- Финальная защита и консультации