Анализ данных с помощью Python и SQL

Таллинн

27.09.2023 - 10.12.2023 (14:00 - 17:00)
09.10.2023 - 21.12.2023

Онлайн-курс:

27.09.2023 - 10.12.2023 (14:00 - 17:00)
09.10.2023 - 21.12.2023

Учим решать реальные задачи с помощью анализа данных

Анализ данных — это не только обработка информации после ее получения и сбора, а средство проверки гипотез и принятия решений. Цель любого анализа данных — понимание исследуемой ситуации целиком (выявление тенденций, негативных отклонений от плана, получений рекомендаций и прогнозов). Это достигается через главные задачи анализа данных:

сбор информации,

структуризация информации,

выявление закономерностей, анализ,

прогнозирование и получение рекомендаций.

12 недель аудиторной работы

По объему информации, количеству осваиваемых технологий и инструментов данный курс прочно удерживает первое место среди других.

Внимание: для данного курса в некоторых случаях мы можем провести предварительное тестирование (пройти тест можно бесплатно).

Помимо стандартных библиотек Python Вы также получите представление о дополнительных библиотеках (Numpy, Pandas), используемых в аналитике данных и Data Science.

Cвыше 20 инструментов и 50 компетенций

Курс дает большой объем знаний сразу в нескольких областях:

Общие принципы анализа данных

Программирование с использованием языка Python

Работа с языком запросов данных SQL

Работа с Jupiter Notebook

Необходимый объем знаний в области математического анализа, теории вероятностей и математической статистики.

Актуальные кейсы для первого портфолио

Несмотря на то, что курс содержит достаточно большой объем теории, в рамках курса будет как минимум 5 типов задач с реальными наборами данных, которые наиболее часто встречаются в работе аналитика данных:

Расчет инвестиционной стратегии (прогностический анализ)

Разработка эффективной рекомендательной системы (прогностический анализ)

Оптимизация маркетинговых затрат предприятия (разведывательный анализ)

Максимизация прибыли компании (прогностический анализ)

Анализ трендов рынка недвижимости(описательный анализ)

Оптимизация товарного ассортимента (прогностический анализ)

По окончанию курса Вы cможете:

подготавливать данные для анализа с помощью Python и SQL;

структурировать информацию;

формулировать гипотезы и проводить их проверку используя методы математической статистики;

генерировать отчеты с первичными рекомендациями, используя современные инструменты визуализации;

продолжить свою карьеру в области Data Science, Machine Learning;

Все включено в стоимость курса

Курсы проходят в центре Таллинна, по адресу Тарту мнт, 18. Размер группы до 8 человек.

В цену курса включены все учебные материалы.

При необходимости на время обучения выдается ноутбук.

Внимание: с июня 2020 года данный курс можно пройти в рамках нашего сотрудничества с Eesti Töötukassa.

Бесплатная консультация:

Ваше имя *:

Адрес электронной почты *:

Телефон для обратной связи *:

Ваш вопрос:

Информация об оплате:

Касса по безработице

Работодатель

Самостоятельная оплата

Я согласен получать новости и специальные предложения от Gamma Intelligence (не чаще, чем один раз в месяц)

Я не согласен получать новости и специальные предложения от Gamma Intelligence

Задать вопрос: training@gamma-intelligence.com

Если у вас есть дополнительные вопросы, то отправьте нам письмо: training@gamma-intelligence.com.

Позвоните нам: (372)55581521

Позвоните нам по телефону 55581521. Мы ответим на все интересующие Вас вопросы.

Описание курса:

Целевая группа: Специалисты, чья работа связана со сбором, обработкой и анализом данных.

Преподаватель: Максим Колодиев (магистерская степень - компьютерная и системная техника)

Длительность обучение: 12 недель

Язык обучения: русский, английский

Учебная группа: до 8 человек

Объем: 94 академических часа (12 недель)

Стоимость: 2000 EUR + НСО

Требования к обучающимся:

среднее образование

знание основ теории вероятности и математической статистики

уверенный пользователь ПК

уровень английского A2/B1

желательно наличие собственного ПК (Windows), при необходимости на время обучения выдается компьютер

По окончанию курса Вы научитесь:

подготавливать данные для анализа используя Python и SQL;

структурировать информацию;

формулировать гипотезы и проводить их проверку используя методы математической статистики;

генерировать отчеты с первичными рекомендациями;

продолжить свою карьеру в области Data Science, Machine Learning;

Дополнительная информация:

Основные правила организации обучения (на эстонском языке)
Основные правила обеспечения качества учебного процесса (на эстонском языке)

Модуль	Содержание модуля	Длительность
Введение в анализ данных	Современные проблемы, решаемые анализом данных. Основные понятия в анализе данных. Числовые и категориальные данные. Краткий обзор инструментов для анализа данных.	4 ак. ч.
Знакомство со средой Python и Jupyter	Установка интерпретатора Python. Знакомство с IDE. Знакомство с менеджером пакетов PIP. Установка среды iPython и Jupyter. Основы использования Jupyter Lab: типы ячеек, навигация, шорткаты, установка расширений. Знакомство с Google Colab.	4 ак. ч.
Коллекции в Python	Знакомство и основные операции с типами данных: список, кортеж, множество и словарь.	8 ак. ч.
Управляющие конструкции в Python	Построение логических условий. Цикл for. Практическая работа.	4 ак. ч.
Знакомство с VCS/GIT	Регистрация на GitHub. Создание своего репозитария. Принцип работы Git	12 ак. ч.
Практическая часть		2 ак. ч.
Знакомство с модулем NumPy	Понятие одномерных и многомерных массивов, операции с массивами, изменение типов данных в массивах, определение занимаемой памяти и скорости выполнения операции, общий обзор возможностей модуля NumPy	4 ак. ч.
Вероятность и комбинаторика	Теоретическая и экспериментальная вероятность. Распределение вероятностей. Теорема Байеса. Комбинации и перестановки. Модуль NumPy.random для проведения экспериментов. Практическая работа.	4 ак. ч.
Знакомство с модулем Pandas	Понятия dataframe и serie. Индексация. Манипуляция с датасетами. Группировка. Получение статистических данных. Объединение датасетов. Создание новых столбцов.	4 ак. ч.
Основные понятия статистики	Распределение Гаусса. Построение и проверка гипотез. Корреляция. Определение выбросов. Основные типы графиков.	6 ак. ч.
Визуализация данных	Обзор модулей Matplotlib, Seaborn, Plotly и Bokeh. Построение графиков: Bar Chart, Histogram, Boxplot, Scatter Plot и др. Практическая работа.	8 ак. ч.
Практическая часть		2 ак. ч.
Язык запросов SQL и СУБД MySQL	Установка и настройка сервера MySQL. Создание баз данных и таблиц. Типы данных. Понятие реляционных баз данных. Написание основных запросов на языке SQL.	8 ак. ч.
Практическая часть	Практическая часть по использованию SQL	2 ак. ч.
Работа в Pandas c разными источниками данных	Выгрузка данных из форматов csv, json, xlsx, xml, pdf и др. Выгрузка датасета из базы данных MySQL. Написание скрипта для создания запросов на API. Сохранение датасета в разные форматы. Практическая работа.	8 ак. ч.
Очистка данных	Поиск отсутсвующих данных по тепловой карте, замена отсутствующих значений. Работа с выбросами. Поиск и удаление дубликатов. Определение релевантности признаков. Приведение данных к одному формату. Практическая работа.	8 ак. ч.
Формирование отчетов	Аналитик - как связующее звено IT и бизнеса. Полный цикл формирования отчетов с конкретными рекомендациями для бизнеса. Практическа работа. .	6 ак. ч.