Python для анализа данных

Почему нужно идти на курс?

Задачи по работе с данными востребованы во всех областях: от банковской сферы и ИТ до тяжелой промышленности и сельского хозяйства.

Python — простой и универсальный инструмент для решения любых аналитических задач.
~1060 вакансий для аналитиков со знанием Python появляется ежемесячно (по данным hh.ru)

1. 30 занятий
   с живым общением с практикующими экспертами из крупных компаний
2. 10 библиотек
   в Python вы освоите в процессе обучения и научитесь их применять
3. Практика
   отработка навыков на реальных кейсах и рабочих инструментах аналитика
4. Диплом
   удостоверение о повышении квалификации установленного образца
5. Новая программа
   обновлена летом 2020 года на основании лучших практик и кейсов

Что вам даст курс?

• Больше автономности
  Перестанете зависеть от разработчиков в работе с данными и научитесь понимать программистов
• Автоматизация рутинных задач
  С Python вы почувствуете вкус к оптимизации процессов и освободите время для новых задач
• Широкий доступ к данным
  Умение быстро парсить сайты — бесценно. Вы начнете видеть и получать данные там, где раньше не замечали их
• Легкий переход в data science
  Python для аналитики — отличная база и возможность начать карьеру в data science
• Умение готовить данные для алгоритмов
  Умение использовать готовые решения для придания смысла сырой информации
• Поиск новых инсайтов
  Сможете находить новые взаимосвязи в данных и интерпретировать их для улучшения показателей бизнеса

Кому будет полезен курс?

1. Разработчикам
2. Продакт-менеджерам
3. Аналитикам

Программа курса:

• Основы Python для работы с данными
• Знакомство с основными библиотеками для анализа данных
• Статистика в Python
• Feature engineering и предобработка данных
• Лабораторные работы
• Диплом

Достигнутые результаты после курса:

• Работа с реальными дата-сетами
• Работа с логами и рекомендательными системами
• Получение минимального портфолио для старта в профессии

Ключевые навыки:

• Работа с сырыми данными и их подготовка для анализа
• Работа с аналитическими библиотеками numpy, scipy и pandas
• Визуализация данных с помощью библиотек seaborn, plotly, matplotlib
• Статистический анализ данных
• Применение математических моделей
• Выбор и создание фич
• Применение основных алгоритмов для обработки данных
• Парсинг данных с сайтов и внешних источников
• Автоматизация процессов получения данных для отчетов