Аналитик данных [Яндекс. Практикум] [6/6]

[Bot]

Яндекс. Практикум
Аналитик данных

Часть 6 из 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

• 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

• 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.


Сайт: practicum.yandex.ru/data-analyst

Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.