[Яндекс Практикум] Как стать аналитиком данных. Часть 4 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 4
Сбор и хранение данных
Извлечение данных из веб-ресурсов
Введение
Что такое Web Mining
Что аналитик должен знать об интернете? Браузер. HTML. HTTP.
Что такое транспортный протокол
Введение в HTML
Инструменты разработчика
Ваш первый get-запрос
Регулярные выражения
Парсинг HTML
API
JSON
Заключение
SQL как инструмент работы с данными.
Введение
Базы данных и таблицы
Таблицы
Ваш первый SQL-запрос
Срезы данных в SQL
Агрегирующие функции
Изменение типов
Заключение
Расширенные возможности для аналитика в SQL
Введение
Группируем данные
Сортируем данные
Обработка данных в группировке
Операторы и функции для работы с датами
Подзапросы
Заключение
Отношение между таблицами
Введение
Типы связей в таблицах
ER-диаграммы
Приятно познакомится, таблицы!
Типовые роли пользователей без данных
Поиск пропусков в данных
Поиск данных в таблице
JOIN. INNER JOIN
Внешнее объединение таблиц. LEFT JOIN
Внешнее объединения таблиц. RIGHT JOIN
Объединение нескольких таблиц
Агрегация в запросах JOIN
Объединения запросов
Заключение
Контекст и проработка запроса
Введение
Контекст задачи
Проработка запроса
Доработка результата
Заключение
Проект
Итоги курса
Описание проекта
Парсинг данных
Работа с базой данных
Работа с данными в Python.
Заключение
Анализ бизнес-показателей
Метрики и воронки
Введение
Доходы, прибыль и возврат на инвестиции
Конверсии
Воронки
Маркетинговая воронка: показы, клики, СTR и CR
Маркетинговая воронка: группировка по неделям и месяцам.
Простая продуктовая воронка
Продуктовая воронка с учетом последовательности событий.
Заключение
Когортный анализ
Введение
Когортный анализ
Когортный анализ в Python
Оценка изменений абсолютных показателей по месяцам
Оценка изменения относительных показателей по времени жизни
Визуализация когортного анализа
Retention Rate и Churn Rate
Расчет Retention Rate в Python
Расчет Churn Rate в Python
Поведенческие когорты
Заключение
Юнит-экономика
Введение
Экономика одной продажи
Экономика одной продажи: строим модель
Экономика одного покупателя: LTV и CAC
Считаем экономику одного покупателя в интернет-магазине
Заключение.
Пользовательские метрики
Введение
Оценка пользовательской активности
Пользовательская сессия
Фреймворки метрик
Расследование аномалий
Яндекс.Метрика
API Яндекс.Метрики
Работа с сырыми данными
Заключение
Проектная работа(проект)
Заключение
127 Мб.
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
