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

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.