academy@academyit.ru
STATS-1
Машинное обучение и наука о данных
72 ак.часа
Статистический анализ данных
-
О КУРСЕКурс «Статистический анализ данных» ― это 72 академических часа концентрированной практики, рассчитанной на решение реальных бизнес-задач. Компаниям он даёт готовый инструмент: сотрудники за девять рабочих дней учатся проверять гипотезы, строить регрессии, прогнозировать спрос и сегментировать клиентов в Python и R, опираясь на корпоративные CRM-, ERP- и веб-данные. Формат «40 % теория / 60 % hands-on» плюс опциональный мини-модуль по SPSS обеспечивают быстрый возврат инвестиций: уже во время обучения слушатели разбирают собственные кейсы компании и оформляют результаты в репорт, пригодный для презентации руководству.
Для специалистов, которые инвестируют в личное развитие, курс закрывает пробел между «Excel-аналитиком» и «data-scientistом начального уровня». Участники получают системное понимание классической статистики, логистической и линейной регрессии, ANOVA, кластерного анализа и моделей временных рядов, а также навыки визуализации данных и подготовки reproducible-отчётов в Jupyter и Quarto. По итогам выпускники уверенно применяют статистические методы в маркетинге, финансах или HR-аналитике, повышая свою ценность на рынке труда и открывая дорогу к дальнейшему освоению машинного обучения
Технологии и инструменты, которыми будете владеть
сегментация клиентов или персонала
факторный и кластерный анализ
анализ спроса и нагрузки
networkx/igraph
Jupyter / Quarto
линейные и логистические регрессии
Сотрудники департаментов маркетинга, бухгалтерии, HR, финансов, аналитики
-
Содержание программы
Модуль 1. Основные принципы статистического исследования в бизнес-контексте- Роль данных в управленческих решениях: KPI, ROI, OKR
- Основные понятия теории вероятностей и выборочного наблюдения
- Статистические гипотезы, уровни значимости, мощность теста
- Статистические критерии в практических A/B-экспериментах
- Корпоративные источники данных: CRM, ERP, веб-аналитика, BI-системы
Модуль 2. Знакомство с R и Python- Создание и управление наборами данных (R tidyverse, Python Pandas)
- Импорт из Excel, SQL, API; краткий обзор JSON, SAS, SPSS-файлов
- Быстрый EDA и визуализация (ggplot2, Matplotlib/Seaborn)
- Чистка и трансформация бизнес-данных для дальнейшего анализа
Модуль 3. Обзор SPSS- Ввод и редактирование данных, Syntax-скрипты
- Агрегация и реструктурирование таблиц, описательная статистика
Модуль 4. Проверка гипотез, таблицы сопряжённости и сравнение средних- Таблицы сопряжённости и критерий независимости χ²
- Корреляция (Пирсон, Спирмен, Кендалл) и зависимость метрик
- Сравнение двух и более средних: t-критерий, ANOVA, непараметрические аналоги
- Power-analysis и бутстрэп-подход для малого объёма данных
- Бизнес-кейс: оценка эффекта акции лояльности через A/B-тест
Модуль 5. Дисперсионный анализ (ANOVA) и расширенная GLM- Общая линейная модель, одно- и многофакторный ANOVA
- Учет ковариат; повторные измерения в маркетинговых панелях
- Пост-hoc-тесты (Tukey, Bonferroni) и непараметрические альтернативы
- Многомерный дисперсионный анализ для HR-опросов удовлетворённости
Модуль 6. Регрессионный анализ- Простая и множественная линейная регрессия, диагностика (VIF, остатки, гетероскедастичность)
- Логистическая регрессия для бинарных KPI (отток / покупка)
- Регуляризация (Ridge, Lasso) и пошаговый отбор признаков
- Метрики качества (R², AIC/BIC, ROC-AUC)
- Бизнес-кейс: прогноз среднего чека и вероятности конверсии
Модуль 7. Факторный, кластерный и дискриминантный анализ- Корреляционная матрица и извлечение факторов, критерии Кайзера
- Вращение (varimax/oblimin), интерпретация факторов в маркетинге
- Кластеризация (иерархическая, k-means) и профилирование сегментов
- Дискриминантный анализ для проверки корректности сегментации
Модуль 8. Временные ряды и прогнозирование- ARMA/ARIMA, сезонная декомпозиция, экспоненциальное сглаживание
- Построение прогнозов продаж/спроса, оценка точности (MAE, MAPE)
- Краткий обзор Prophet и Auto-ARIMA для «быстрых» бизнес-задач
- Графики трендов и сезонности для отчётов руководству
Модуль 9. Модели и методы анализа социальных сетей- Свойства связей: гомофилия, транзитивность, взаимность
- networkx (Python) и igraph (R) для моделирования и визуализации графов
- Метрики centrality и community detection
- Кейс: поиск ключевых инфлюенсеров в клиентской базе или внутрикорпоративной сети
-
Предварительные требования
- Уверенное владение Excel и базовыми бизнес-метриками (выручка, маржа, конверсия)
- Школьный курс алгебры и начальные представления о вероятностях (формулы не проверяем, но используем)
- Желательно: минимальный опыт работы с любым языком программирования (VBA, SQL, Python или R)
- Технические условия: ноутбук с установленной Anaconda (Python 3.12), R 4+, доступ в интернет и права чтения к корпоративным данным или учебному датасету (CSV/SQL)
-
Получаемый документ
