[Яндекс Практикум] Как стать аналитиком данных. Часть 6/6

Aноним · 29 Окт 2021

Аналитик данных извлекает из данных смысл: структурирует их, формулирует и проверяет гипотезы, находит закономерности и делает выводы. Его работа помогает принимать решения в бизнесе, управлении и науке. На курсе мы хотим научить вас пользоваться основными инструментами для получения профессии: Python и его библиотеки, Jupyter Notebook, SQL.

71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.

71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.

Часть 6

Автоматизация
- Основы запуска скриптов
  - Введение
  - Основы работы с командной строкой
  - Доступ к командной строке на вашей локальной машине
  - Основные команды для работы с консолью
  - Настройка учетной записи в Яндекс.Облако
  - Установка Python на локальной машине
  - Запуск скрипта из командной строки
  - Запуск скрипта из командной строки в Яндекс.Облаке
  - Запуск скрипта по расписанию
  - Памятка по отладке cron.
  - Заключение
- Что такое дата-пайплайны и зачем они нужны
  - Введение
  - Дата-пайплайны для автоматизации дащбордов
  - Агрегация данных и создание таблиц в БД
  - Вертикальные и горизонтальные таблицы
  - Создание скрипта пайплайна
  - Заключение
- Проектирование и разработка дашбордов в dash.
  - Введение
  - Дашборды
  - Сбор требований при создании дашборда
  - Как создавать основные типы график в dash
  - Основы работы с элементами управления
  - Базовые элементы управления в dash
  - Элементы управления и интерактивность
  - Элементы дашборда
  - Разработка дашборда, основы композиции
  - Запуск дашборда на локальной машине
  - Запуск дашборда на виртуальной машине
  - Заключение
- Tableau
  - Введение
  - Начало работы с Tableau Public
  - Как работать с Tableau
  - Подготовка данных
  - Таблицы и простые вычисления
  - Фильтры
  - Публикация дашборда.
  - Простые графики
  - Линейные графики и области с накомлением
  - Специальный типы графиков
  - Сборка дашборда
  - Заключение
- Проектная работа
  - Часть 1. Составления технического задания
  - Часть 2. Создание дашборда
Прогнозы и предсказания
- Введение
- Задачи машинного обучения в бизнесе
  - Введение
  - Что такое обучение?
  - Введение в прогнозирование и машинное обучение
  - Обучение с учителем
  - Обучение без учителя
  - Обучение модели в Python. Библиотека sklearn.
  - Тестовая, валидационная и обучающая выборки
  - Нелообучение и переобучение
  - Разделяй и валидируй
  - Пайпланй машинного обучения
  - Почему машинное обучение - не панацея?
  - Заключение
- Алгоритм машинного обучения
  - Введение
  - Линейная регрессия и функция ошибки
  - Градиентный спуск
  - Предобработка. Масштабирование признаков
  - Регуляризация
  - Реализация линейный моделей
  - Метрики регресии
  - Логистическая регрессия
  - Метрики классификации. Работа с метками.
  - Метрики классификации. Смотрим на вероятности.
  - Порог и баланс классов
  - Дерево принятия решений
  - Ансамбль деревьев: случайный лест и градиентный бустинг.
  - Алгоритмы обучения без учителя: кластеризация
  - При чем здесь расстояние?
  - K-Means и агломеративная иерархическая кластеризация
  - Метрики для задачи обучения без учителя
  - Заключение
- Процесс решения задач машинного обучения
  - Введение
  - Постановка задачи
  - EDA. Анализ качества признаков
  - EDA. Формулировка гипотез
  - Предварительная обработка данных
  - Random и time split.
  - Выбор метрик
  - Выбор модели машинного обучения
  - Обучаем модели и выбираем лучшую
  - Важность признаков
  - Заключение.
- Проектная работа(Проект)
- Заключение.