Разработка веб-приложений в среде Java и Spring, от Junior до знаний Middle, повышение квалификации

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