стань аналитиком данных
Изучайте материалы в удобное время, возвращайтесь к сложным темам и двигайтесь в своём темпе
junior level
Мы используем куки, чтобы улучшить ваш пользовательский опыт. Нажимая на кнопку, вы соглашаетесь с нашей политикой куки.
Принять
Чем занимается
аналитик данных?
аналитик данных?
Собирает и анализирует большие данные: обрабатывает, изучает и делает выводы. Он помогает узнать клиента, глубоко изучает продукт и напрямую влияет на бизнес-процессы.
Эти специалисты проводят A/B тесты, выявляют тенденции в поведении клиентов, проверяют гипотезы.
Работа аналитика помогает компаниям в снижении рисков при запуске проектов, принятии объективных решений и оптимизации процессов.
Эти специалисты проводят A/B тесты, выявляют тенденции в поведении клиентов, проверяют гипотезы.
Работа аналитика помогает компаниям в снижении рисков при запуске проектов, принятии объективных решений и оптимизации процессов.
Персонализированная программа обучения
Поддержка 24/7
Вся учеба идет в живой трансляции, и студенты окружены обратной связью и поддержкой от кураторов и наставников. Мы считаем, что только живое общение обеспечивает полноценное погружение в профессию.Маленькие группы
Персонализированный учебный опыт
Группы до 15 человек.
Мы создаём проектно-ориентированную среду и уделяем внимание каждому студенту — помогаем развивать pet-проекты и прокачивать навыки управления продуктом. Наш ключевой показатель — это приобретенный скиллсет по анализу данных и разработке реальных проектов. В рамках учебной программы студентам уделяется больше внимания благодаря небольшим группам.
Наши партнеры
Нашими партнерами являются престижные образовательные организации: Flow, Startup School, МФТИ, Women In Tech, NYU Steinhardt, Cloud и др.
Выдаем сертификат
После сдачи проекта выдаем сертификат о прохождении курса, который является подтверждением ваших навыков и ценится работодателями
Образовательная лицензия
Школа Mathshub имеет образовательную лицензия № Л035-01298-77/00683559. Мы выдаем диплом о дополнительном образовании. Есть возможность получить налоговый вычет за обучение.
Программа
СОДЕРЖАНИЕ МОДУЛЯ
ПРОЕКТ
Создание чат-бота для Telegram на любую интересующую тему с содержанием парсинга и обработки информации со стороннего ресурса. Чат-бота, который будет просто реагировать разными фразами, зашитыми в коде — недостаточно.
Цель проекта — разработать чат-бота, способного взаимодействовать с пользователями и предоставлять полезную информацию.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Строки
- Списки
- Цикл for
- Вложенные списки
- Условный оператор. Цикл while
- Функции
- Структуры данных в Python: List and tuples, Dictionary and Sets
- Pandas для анализа данных
- Предобработка данных
- Анализ данных и оформление результатов в Jupyter Notebook
- Сортировка, поиск, регулярные выражения.
- Итераторы и генераторы
- Numpy
- Введение в ООП.
ПРОЕКТ
Создание чат-бота для Telegram на любую интересующую тему с содержанием парсинга и обработки информации со стороннего ресурса. Чат-бота, который будет просто реагировать разными фразами, зашитыми в коде — недостаточно.
Цель проекта — разработать чат-бота, способного взаимодействовать с пользователями и предоставлять полезную информацию.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Основы программирования на Python
- Написание и отладка кода
- Работа со сторонними библиотеками и чтение документации
- Умение находить нужную информацию и применять в своих проектах
СОДЕРЖАНИЕ МОДУЛЯ
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Основы базы данных, структура данных
- создание таблиц и DDL команды
- SELECT, WHERE
- Все виды join
- Group by, Having
- Оконные функции, фреймы оконных функций
- Индексы и оптимизация запросов
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Чтение данных из таблиц с помощью SELECT запросов с нужными условиями
- Создание таблиц, запись данных в таблицу
- Расчет агрегатных значений
- Соединение данных из разных таблиц
СОДЕРЖАНИЕ МОДУЛЯ
Защита Kaggle по EDA:
Исследовательский проект в команде по изучению данных, выдвижению и проверке гипотез, а также презентация перед сокурсниками.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Введение в разведывательный анализ данных. Алгоритмы и методы
- Математическая статистика в контексте EDA. Типы признаков
- Линейная алгебра в контексте Линейных методов.
- Математический анализ в контексте задачи оптимизации
- Теория вероятностей и математическая статистика
- Теория вероятностей в контексте Наивного Байесовского классификатора
- Анализ данных
Защита Kaggle по EDA:
Исследовательский проект в команде по изучению данных, выдвижению и проверке гипотез, а также презентация перед сокурсниками.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Умение работать с исследовательским анализом данных
- Умение строить графики и работать с ними
- Умение исправлять проблемы в данных
СОДЕРЖАНИЕ МОДУЛЯ
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Алгоритмы и структуры данных
- Линейный и бинарный поиск
- Сложность алгоритма
- Как оценивать время исполнения
- Как решать алгоритмические задачи
- Как тестировать свою программу
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Освоение популярных алгоритмов: линейный и бинарный поиск
- Умение оценить время исполнения алгоритма
- Умение решать алгоритмические задачи
СОДЕРЖАНИЕ МОДУЛЯ
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Степени и логарифм. Пределы и последовательности.
- Функции и их графики
- Дифференцирование
- Интегрирование
- Векторы, матрицы и операции с ними
- Сингулярное разложение матриц
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Освоение основных понятий математики, матрицы, функций, операторы и умение с ними работать.
- Освоение математической статистики и теории вероятностей.
СОДЕРЖАНИЕ МОДУЛЯ
Анализ гипотез по улучшению работы маркетплейса или логистической компании (на выбор)
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Зачем нужна статистика и A/B тесты
- Доверительные интервалы
- Статистики распределений, взаимосвязь случайных величин, показатели корреляции
- Проверка гипотез, параметрические статистические критерии
- Непараметрические статистические критерии
- Метод максимума правдоподобия и ядерная оценка плотности
- Дизайн A/B эксперимента
- А/А-эксперименты и валидация методики экспериментирования
- Ошибки при проведении A/B тестов
- Увеличение чувствительности А/В тестов
- Невозможность проведения А/В тестов
- Roll-out test
- Causal Inference
Анализ гипотез по улучшению работы маркетплейса или логистической компании (на выбор)
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Умение выдвигать гипотезы, планировать эксперименты и оценивать их результаты на основе статистики.
СОДЕРЖАНИЕ МОДУЛЯ
- Гипотезы и работа с ними
- Метрики и работа с Amplitude
- От стратегии до тактики через управление метриками
- Освоение основ работы продуктового аналитика
- Освоение продуктовых метрик, как их выбирать, считать и оценивать
СОДЕРЖАНИЕ МОДУЛЯ
Визуализация типа “Портретник”. Вы сделаете визуализацию типа “Портретник”. Где сущностью будет ваш клиент. Данные знакомые — с которыми работали на практике.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Как работает и для чего нужна визуализация
- Как обманывать с помощью графиков
- Принципы хорошего графика
- Основы в построении отчетов, разбор разных BI-инструментов
- Много времени уделим практике и вместе освоимся в интерфейсе Tableau.
Визуализация типа “Портретник”. Вы сделаете визуализацию типа “Портретник”. Где сущностью будет ваш клиент. Данные знакомые — с которыми работали на практике.
ПРИОБРЕТЕННЫЕ НАВЫКИ
- Умение превращать информацию в наглядное и понятное представление с помощью диаграмм, графиков, таблиц и других визуальных элементов, легко воспринимать и анализировать большие объемы данных, а также выявлять связи и тренды.
ПРЕПОДАВАТЕЛИ
Практикующие в индустриях преподаватели из ШАДа, НИУ ВШЭ, МФТИ, Y-Data уделяют внимание каждому студенту благодаря живым занятиям.
- Анна
ЧувилинаЯндекс / НИУ ВШЭ / Harbour Space Universityразработка на Python MLE - Татьяна
ГайнцеваPhilips / Deep Learning Schoolмашинное обучение и компьютерное зрение - Игорь
СлинькоBrickit / Samsung / Яндексмашинное обучение и компьютерное зрение - Юлдуз
ФаттаховаРуководитель AI-проектов в CберData Science / ML - Алена
ТресковаЯндекс / ozon / Tele 2 / М.видеоML / Data Science - София ЛукьяноваСбер / Сколково / Avanchairмашинное обучение и программирование
- Георгий
МилютинLondon Gates Education Group / ВШМ СПбГУEDA / математика / статистика / А/В тестирование
Отзывы студентов
Примеры проектов в портфолио
Сервис для распознавания упоминания бренда в продаже подделок. Проект собирает изображения производителей товаров нужных категорий, распознает использование логотипа и передает клиенту ссылки на посты продавцов поддельных товаров, также автоматически подается жалоба на рекламодателя.
Сервис собирает данные пользователей по состоянию кожи лица, учитывает предыдущие продукты использования, и на основе базы ингридиентов косметики выбирает программу по уходу, экономя время специалистов и тестируя гипотезы.
Сервис упрощает анализ интервью, многочисленных исследований для специалистов в разных областях: маркетологи, продакт-менеджеры. Модель анализирует текстовые интервью, разделяет их на короткие фрагменты и ищет связки между ответами респондентов.
Facebook тестирует методы машинного обучения для замены закрытых глаз на открытые. Модель обучается на фотографиях людей с открытыми глазами и прикрепляет глаза, когда на фото пользователь моргнул. Даннный GAN метод широко используется компаниями Adobe и Pixelmator.
Ocean Plaza с помощью AI Booster провел исследование по посещаемости магазинов, считыванию эмоций клиентов на кассе, их возраст и пол, а также тепловую карту товаров (с какими товарами пользователи чаще взаимодействуют на витрине). Выяснилось, что у клиента есть большой сегмент потенциальных покупателей, для которых отсуствуют подходящие предложения, а также ряд товаров, которые стоит продвигать проактивно.
ЗАПИСАТЬСЯ НА БЕСПЛАТНУЮ
КОНСУЛЬТАЦИЮ