- Регистрация
- 26.05.2022
- Сообщения
- 26 724
- Реакции
- 187
- Баллы
- 63
Яндекс. Практикум
Аналитик данных
Часть 6 из 6
Запись на все части доступна по ссылкам:
часть 1, часть 2, часть 3, часть 4, часть 5 и часть 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
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.
Сайт: practicum.yandex.ru/data-analyst
Аналитик данных
Часть 6 из 6
Запись на все части доступна по ссылкам:
часть 1, часть 2, часть 3, часть 4, часть 5 и часть 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
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.
Сайт: practicum.yandex.ru/data-analyst