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

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.

ИСТОЧНИК

СКАЧАТЬ