academy@academyit.ru
PP_DA
Работа с данными, аналитика и СУБД, Цифровые профессии
272 ак.часа/5,5 месяцев
Аналитик данных
* – Специальная стоимость действует до 31 августа 2026
-
272 академических часахватит, чтобы усвоить всю теорию и поработать над бизнес-задачамине менее 50% практикичтобы собрать портфолио уже во время обученияСовременный стек для бизнес-задачPython, SQL, ML, BI, R, Статистический анализЭкспертиза SoftlineКурс, созданный экспертами ГТ Softline
Получите новую профессию аналитика данных и откройте двери к карьерным возможностям в IT, e-commerce и финтехе. Программа профпереподготовки сочетает фундамент математики и SQL с практическими навыками Python, Power BI и машинного обучения. Вы научитесь превращать сырые данные из PostgreSQL или MongoDB в понятные дашборды, строить A/B-тесты, рассчитывать LTV и unit-экономику, а затем аргументированно защищать решения перед руководством.Каждый модуль завершается практикой: вы пишете код в Jupyter, строите BI-отчёты и разрабатываете прогнозы в Scikit-learn под менторством действующих экспертов рынка. Финальный диплом-проект — реальная бизнес-задача, которую можно показать работодателю как портфолио. Освойте инструменты, которые используют аналитики Avito, Сбера и Т-Банка, и подтвердите квалификацию дипломом о профпереподготовке.
-
Какие инструменты и технологии освоите
Python SQL Pandas NumPy Статистика A/B-тестирование Бизнес-метрики (LTV, CAC, DAU/MAU, CR) Машинное обучение Регрессия Классификация Кластеризация Power BI Tableau Визуализация данных Big Data Hadoop/Spark Основы A/B-аналитики и unit-экономики
Те, кто хочет уверенно работать с Python, SQL и BI-платформами для решения бизнес-задачㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤ
Новички в профессии, рассматривающие смену профессии либо карьерный рост в роли Data Analyst / BI-специалистаㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤ
Специалисты-новички и практики среднего уровня (маркетинг, финансы, IT-поддержка, управление продуктом), которым нужны твёрдые навыки аналитики данных
Модуль 1. Введение в анализ данных
• Введение в профессию аналитика данных
• Обзор жизненного цикла данных: сбор, очистка, анализ, визуализация
• Роль аналитика в бизнесе и его взаимодействие с другими специалистами
• Построение гипотез, их тестирование, принятие бизнес-решений на основе аналитики и выводов.
Модуль 2. Аналитика в бизнесе
• Источники данных для анализа. Основные метрики в бизнесе, маркетинге и продуктовой аналитике DAU, MAU , Retention rate, Churn rate, CAC, LTV, ARPU, AOV, CR, UA, CPA, MR
• Модели Unit-экономики: алгоритмы расчета и интерпретация результатов
• A/B, A/A, A/B/n тестирования: планирование, проведение, обработка и интерпретация результатов тестов
Модуль 3. Работа с данными в Python
• Основы Python для аналитиков:
o Работа с данными: обработка, фильтрация, очистка.
o Основы синтаксиса, функции, циклы, работа с файлами (CSV, Excel).
• Работа с кодом в Anaconda и Jupyter Notebook, система управления версиями GIT
• Алгоритмы сортировки, хеширование, построение и программирование графов. Оценка сложности алгоритмов.
• Pandas: манипуляция с данными (фильтрация, сортировка, агрегация).
• NumPy: работа с массивами данных и математическими операциями.
• Использование Matplotlib и Seaborn для визуализации данных.
Модуль 4. Реляционные базы данных и SQL
• Понятие реляционной модели, СУБД, типы данных и их преобразования, фильтрация, группировка, сортировка данных
• Язык запросов SQL, его основные функции, агрегатные и оконные функции, древовидные структуры и рекурсивные запросы
• Работа в MySQL, PostgreSQL
• Управление базой данных с помощью DBeaver, подключение, администрирование и визуализация
• Системы NoSQL на примере работы в документно-ориентированной базе данных MongoDB
Модуль 5. Моделирование и визуализация данных в системах BI
• Моделирование данных с помощью PowerQuery и PowerPivot, язык запросов M, язык формул DAX
• Построение дашбордов. Настройка свойств визуализации. Связи визуализаций. Пользовательские визуализации Power BI
• Визуализации, ориентированные на интеллектуальный анализ данных (data mining). Визуализации R и Python
• Моделирование и визуализация данных в Tableau и DataLens
Модуль 6. Статистический анализ
• Основные понятия теории вероятностей, понятие статистической гипотезы и уровня значимости, источники данных
• Основные метрики, статистические критерии, доверительные интервалы
• Регрессионный анализ: линейная регрессия, множественный регрессионный анализ, коэффициенты регрессии и детерминации
• Корреляционный анализ, дисперсионный анализ (ANOVA) с одним, двумя и более факторами
Модуль 7. Машинное обучение
• Основные задачи машинного обучения: регрессия, классификация, кластеризация, уменьшение размерности
• Типы машинного обучения: с учителем, без учителя, с подкреплением, глубинное обучение
• Алгоритмы машинного обучения: Байес, опорных векторов, ближайших соседей, k-средних (k-means), различные виды регрессии, Random Forest, Gradient Boosting, XGBoost
• Прогнозирование с помощью пакета Scikit-learn
Модуль 8. Big Data и Data engineering
• Data warehouse: особенности хранения больших объемов данных. Знакомство с Apache Hadoop, Apache Spark
• Концепция организации данных NoSQL, теорема Брюера (CAP)
• Язык R, пакеты dplyr, ggplot, модели прогнозированния Arma и Arima, техники визуализации в R
9. Итоговая работа
