Анализ данных с помощью Python и SQL
Информация об обучении на курсе.
Цель курса: дать практические навыки аналитика данных — сбор и структурирование данных, выявление закономерностей, проверку гипотез, подготовку отчётов, прогнозов и рекомендаций — с помощью Python и SQL.
Обучение проходит в центре Таллинна по адресу Тарту мнт, 18. Все учебные материалы включены в стоимость курса. При необходимости на время обучения выдаётся ноутбук.
Для данного курса доступны различные методы финансирования, в том числе программы государственной поддержки и некоммерческих организаций. Свяжитесь с нашим консультантом, чтобы получить более подробную информацию.
Целевая группа:
Курс актуален, если Вы:
- начинающий аналитик данных и хотите освоить полный цикл анализа: Python, SQL, визуализацию;
- работаете с данными (маркетинг, финансы, продукт) и желаете анализировать их самостоятельно;
- менеджер или продукт-аналитик и вам требуется принимать решения на основе данных;
- разработчик и интересуетесь анализом данных, работой с Pandas и SQL;
- QA-инженер или тестировщик и вам требуется анализировать метрики и данные тестирования;
- специалист из другой сферы и имеете интерес к переквалификации в востребованную профессию — аналитику данных;
- студент экономической или технической специальности и желаете получить практические навыки анализа данных;
- предприниматель или владелец бизнеса и вам требуется понимание данных своих продуктов и процессов.
Чему вы научитесь на курсе:
Овладейте контролем версий Git для командной работы
Изучите SQL для запросов к данным
Управляйте данными в MySQL
Разберитесь в реляционных базах данных
Освойте Python для анализа данных
Используйте пакеты Python из PyPI
Обрабатывайте таблицы данных с Pandas
Считайте на массивах с NumPy
Стройте графики с Matplotlib
Визуализируйте статистику с Seaborn
Создавайте интерактивные графики в Plotly
Познакомьтесь с визуализацией в Bokeh
Работайте в среде Jupyter Notebook
Запускайте ноутбуки в Google Colab
Делайте дата-приложения на Streamlit
Подключайтесь к базам через ORM SQLAlchemy
Публикуйте отчёты и дашборды в DatapaneТребования к обучающимся:
Результат обучения:
По окончании курса Вы научитесь:
- подготавливать данные для анализа, используя Python и SQL;
- структурировать информацию;
- формулировать гипотезы и проводить их проверку, используя методы математической статистики;
- генерировать отчёты с первичными рекомендациями, используя современные инструменты визуализации;
- продолжить свою карьеру в области Data Science, Machine Learning.
Методы обучения:
Лекции, практические занятия, семинары, демонстрация, самостоятельная работа.
Общий объём курса: 180 академических часов, из которых 94 академических часа проходят в аудитории (в т.ч. практические занятия 8 ак. часов и 2 семинара (8 ак.ч)).
Критерии оценки результатов обучения:
Результаты обучения оцениваются на основе самостоятельно выполненных практических работ.
Методы оценки:
При успешном выполнении практические и домашние работы получают оценку «зачёт».
Условия окончания курса:
Для успешного окончания курса и получения сертификата необходимо получить зачёт по 75% домашних работ.
Дополнительная информация:
Группа программы обучения: 0612 - Управление базами данных и сетевыми технологиями (0612 - Andmebaaside ja võrgu disaini ning halduse õppekavarühm)
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, горячие клавиши, 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 репозитория. Принцип работы Git | 2 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. | 10 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. | 12 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 отсутствующих 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 | Полный процесс создания интерактивного аналитического отчета. Создание дашборда с использованием сервиса Streamlit на примере проекта разведочного анализа данных. | 6 ак. ч. |
Информация о курсе
Время проведения:07.10.2026 - 14.01.2027
19.10.2026 - 28.01.2027
Оставить заявку →Ответим в течение 1 рабочего дня
Длительность обучения: 12 недель
Формат и место проведения:
Адрес: Тарту мнт, 18, Таллинн / Онлайн.
Курс проходит в аудиторном формате (и/или онлайн через Zoom), в современном компьютерном классе. Размер группы — до 8 человек.
Язык обучения: русский, английский
Стоимость: 1935.48 EUR + НСО 24%
Общий объём курса: 180 ак. ч (из них 94 ак. ч в аудитории)
Включает аудиторные занятия (лекции и практические работы).
Преподаватели
Максим Колодиев
Квалификация: более 15 лет в разработке ПО; более 8 лет в тестировании ПО.Специализация: процессы разработки ПО, тестирование ПО, автоматизация тестирования, анализ данных.
Опыт преподавания: более 5 лет преподавания и консультирования.
Образование: TalTech, магистерская степень (2007).
Роман Куцелепа
Квалификация: более 5 лет разработки на Python и более 3 лет на JavaScript; участвовал в проектах интеграции ПО.Специализация: разработка на Python, анализ данных, веб-разработка, интеграция программных решений.
Опыт преподавания: более 5 лет преподавания и обучения персонала.
Образование: Anglia Ruskin University, высшее образование (2010).
Николай Зубрилов
Квалификация: Python-разработчик и Data Scientist с коммерческим опытом в анализе данных, data science и разработке AI/LLM.Специализация: анализ данных на Python (Pandas, NumPy, Scikit-Learn), визуализация данных, SQL / MySQL / PostgreSQL, машинное обучение и статистика.
Опыт преподавания: преподаватель курса «Анализ данных с помощью Python и SQL».
Образование: Балтийская государственная академия рыбопромыслового флота, бакалавр инженерии (2019).
Игорь Еременко
Квалификация: более 6 лет в анализе данных, business intelligence и финансовой отчётности.Специализация: анализ данных, SQL, Python (Pandas, NumPy), визуализация данных и business intelligence (Power BI), моделирование данных (dbt).
Опыт преподавания: преподаватель по анализу данных в Gamma Intelligence с 2025 года.
Образование: Тартуский университет, магистр количественной экономики (2021).
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.