[Яндекс Практикум] Как стать аналитиком данных. Часть 4/6

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 .

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 актиновсти
    • Пользовательская сессия
    • Фреймворки метрик
    • Расследование аномалий
    • Яндекс.Метрика
    • API Яндекс.Метрики
    • Работа с сырыми данными
    • Заключение
  • Проектная работа(проект)
  • Заключение