Яндекс. Практикум [Яндекс.Практикум] Как стать аналитиком данных [часть 6 из 6] (2021)

Administrator
Команда форума
Premium
18 Дек 2018
7,876
30,747
113
#1
145-png.53391

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.
Подробнее:
Чтобы скачать курс, новым пользователям, необходимо Пройти Регистрацию
Если у вас уже есть аккаунт Войти на Форум