Kurs „Analityk danych” - kurs 96 000 rub. z warsztatu Yandex, szkolenie 7 miesięcy, data 7 grudnia 2023 r.
Miscellanea / / December 02, 2023
Analityk danych wydobywa znaczenie z liczb i wartości: widzi trendy, przewiduje wydarzenia i pomaga firmie zrozumieć klientów, optymalizować procesy i rozwijać się.
Rynek potrzebuje specjalistów, którzy potrafią pożytecznie wykorzystać dane. Z badania firmy personalnej Ancor z września 2022 wynika, że 45% rosyjskich firm poszukuje analityków do swojego zespołu.
Umiejętności, które zdobędziesz na kursie
Stanowisko
Analityk, analityk danych, analityk danych
Możliwości rozwoju: Analityk Produktu, Analityk Marketingu, Analityk BI, Specjalista Data Science
Oto technologie i narzędzia, z których będziesz korzystać:
Pyton
Notatnik Jupytera
SQL-a
PostgreSQL
Żywy obraz
Testy A/B
Zacznij zarabiać pieniądze analizując
Zaczniesz od pozycji juniora, a potem będziesz szedł już tylko do przodu. Będziesz wspinać się po szczeblach kariery i zyskiwać na wartości. I pewnego dnia nie będzie już dla ciebie ceny.
Kompletny program kursu dotyczący analizy danych
Aktualizujemy go regularnie, aby mieć pewność, że spełnia potrzeby branży i pracodawców.
Inaczej mówiąc, uczysz się tylko tego, co na pewno przyda się w Twojej pracy.
Część bezpłatna - 1 tydzień
Bezpłatne wprowadzenie: Podstawy Pythona i analizy danych
Poznaj podstawowe pojęcia związane z analizą danych i zrozum, czym zajmują się analitycy danych i badacze danych.
• Moskwa Catnamycs. Wyświetlanie danych na ekranie. Pliki CSV. Praca z tabelami. Mapy ciepła. Mnożenie kolumny przez liczbę całkowitą.
• Błędy w kodzie. Błędy składniowe. Błędy w nazewnictwie. Błędy przy dzieleniu przez zero. Błędy podczas importu modułu.
• Zmienne i typy danych. Zmienne. Typy danych. Operacje arytmetyczne na liczbach i ciągach znaków.
• Jak stawiać hipotezy. Hipotezy. cykle HADI. Analityczne myślenie. Czytanie wykresów.
• Czym zajmują się badacze danych. Zadania analityka. Wyjaśnienie zadań. Rozkład. Etapy projektu.
• Sprawdzanie konwersji. Konwersja. Eksploracja danych. Formułowanie wniosków.
• Zwrot kampanii reklamowych. Wykres kolumnowy. Różnica elementów. Indeksowanie w kolumnach.
• Uczenie maszynowe i nauka o danych. Szkolenia z uczenia maszynowego. Znajdowanie unikalnych wartości w kolumnach. Indeksowanie logiczne. Grupowanie wartości w tabeli. Błędy prognoz.
• Ostateczny projekt. Segmentacja użytkowników.
PythonPandasBłędySeabornHipotezyZmienne konwersjiTypy danychMapy cieplne
1 sprint 3 tygodnie
Podstawowy Python
Zanurz się głębiej w język programowania Python i bibliotekę Pandas.
• Zmienne i typy danych. Język Pythona. Zmienne. Wyświetlanie danych na ekranie. Wyświetlanie obiektów na ekranie. Obsługa błędów, spróbuj... z wyjątkiem operatora. Typy danych. Konwersje typów danych.
• Linie. Indeksy w wierszach. Cięcia linii. Operacje na łańcuchach. Metody ciągowe. Formatowanie ciągów znaków, metoda format(), f-stringi.
• Listy. Indeksy na listach. Lista plasterków. Dodawanie pozycji do listy. Usuwanie elementów listy. Dodawanie i mnożenie list. • Listy sortowania. Wyszukaj elementy na liście. Dzielenie ciągu na listę ciągów, łączenie listy ciągów w ciąg.
• Dla pętli. Cykle. Wyliczanie elementów. Iteracja po indeksach elementów. Przetwarzanie elementów listy za pomocą pętli: znajdowanie sumy i iloczynu elementów.
• Listy zagnieżdżone. Pętla po zagnieżdżonych listach z wartościami zliczanymi. Dodawanie elementów do list zagnieżdżonych. Sortowanie zagnieżdżonych list.
• Operator warunkowy. Podczas pętli. Boolowski typ danych. Wartości logiczne. Wyrażenia logiczne. Złożone wyrażenia logiczne. Instrukcja warunkowa if...elif...else. Rozgałęzianie. Filtrowanie list za pomocą operatora warunkowego. Podczas pętli.
• Funkcje. Przypisanie funkcji. Parametry i argumenty. Parametry z wartościami domyślnymi. Argumenty pozycyjne i nazwane. Zwracanie wyniku z funkcji.
• Słowniki. Klucze i wartości. Wyszukiwanie wartości według klucza. Dodawanie pozycji do słownika. Lista słowników. Piękne wydanie słowników.
• Biblioteka Pand. Czytanie plików CSV. Ramka danych. Konstruktor ramki danych. Drukowanie pierwszego i ostatniego wiersza ramki danych. Indeksowanie w ramkach danych. Indeksowanie kolumn serii.
• Wstępne przetwarzanie danych. Zasada GIGO. Zmiana nazw kolumn ramki danych. Obsługa brakujących wartości. Obsługa jawnych i ukrytych duplikatów.
• Analiza danych i prezentacja wyników. Grupowanie danych. Sortowanie danych. Podstawy statystyki opisowej.
• Notatnik Jupytera – notatnik w komórce. Interfejs Notatnika Jupyter. Skróty Notatnika Jupytera.
PętlePythonPandasStringsListyFunkcjeSłownikiDataFrameZmienneDataTypesInstrukcja warunkowa
Projekt
Porównaj dane użytkowników Yandex Music według miasta i dnia tygodnia.
2 sprinty 2 tygodnie
Wstępne przetwarzanie danych
Naucz się czyścić dane z wartości odstających, pominięć i duplikatów, a także konwertować różne formaty danych.
• Praca z przepustkami. Konwersja. Ciasteczka. Zmienne kategoryczne i ilościowe. Obsługa luk w zmiennych kategorycznych. Postępowanie z lukami w zmiennych ilościowych. Postępowanie z lukami w zmiennych ilościowych według kategorii.
• Zmiana typów danych. Czytanie plików Excel. Konwertuj serię na typ numeryczny. Moduł liczbowy, metoda abs(). Praca z datą i godziną. Obsługa błędów, spróbuj... z wyjątkiem operatora. Łączenie ramek danych, metoda merge(). Tabele przestawne.
• Szukaj duplikatów. Szukaj duplikatów, wielkość liter ma znaczenie.
• Kategoryzacja danych. Rozkład tabel. Kategoryzacja według zakresów liczbowych. Kategoryzuj na podstawie wielu wartości w wierszu.
• Systematyczne i krytyczne myślenie w pracy analityka. Systemy myślenia. Przyczyny błędów danych. Krytyczne myślenie.
PythonPandasObsługa lukPrzetwarzanie danychPrzetwarzanie duplikatówKategoryzacja danych
Projekt
Analizuj dane o klientach banku i określaj udział klientów posiadających zdolność kredytową.
3 sprinty 2 tygodnie
Analiza danych rozpoznawczych
Naucz się podstaw prawdopodobieństwa i statystyki. Wykorzystaj je do eksploracji podstawowych właściwości danych, szukania wzorców, rozkładów i anomalii. Poznaj bibliotekę Matplotlib. Rysuj diagramy i ćwicz analizę wykresów.
• Pierwsze wykresy i wnioski. Korzystanie z tabel przestawnych. Wykres słupkowy. Dystrybucje. Wykres zasięgu.
• Badanie wycinków danych. Metoda zapytania(). Praca z datą i godziną. Rysowanie wykresów za pomocą metody plot(). Brzytwa Ockhama.
• Praca z wieloma źródłami danych. Wycinek danych oparty na obiektach zewnętrznych. Dodawanie nowych kolumn do ramki danych. Dodawanie danych z innych ramek danych. Zmiana nazw kolumn. Łączenie tabel za pomocą metod merge() i Join().
• Relacje danych. Wykres punktowy. Korelacja zmiennych. Macierz wykresu punktowego.
• Walidacja wyników. Konsolidacja grup. Dzielenie danych na grupy.
PythonPandasMatplotlibHistogramyWycinki danychAnaliza danychWykres rozrzutuWykres punktowyWizualizacja danychStatystyki opisowe
Projekt
Przeglądaj archiwum ogłoszeń sprzedaży nieruchomości w Petersburgu i obwodzie leningradzkim.
4 sprinty 3 tygodnie
Statystyczna analiza danych
Naucz się analizować zależności w danych za pomocą metod statystycznych. Dowiedz się, czym jest istotność statystyczna i hipotezy.
• Kombinatoryka. Kombinacje. Reguła mnożenia. Przegrupowania. Liczba permutacji. Miejsca docelowe. Liczba miejsc docelowych. Kombinacje. Liczba kombinacji.
• Teoria prawdopodobieństwa. Eksperyment. Przestrzeń prawdopodobieństwa. Wydarzenia. Prawdopodobieństwo. Wydarzenia przeplatające się i wzajemnie wykluczające. Diagram Eulera-Venna. Prawo wielkich liczb.
• Opisowe statystyki. Zmienne kategoryczne i ilościowe. Tryb i mediana. Średnia wartość. Dyspersja. Odchylenie standardowe. Kwartyle i percentyle. Wykres zasięgu. Wykres kolumnowy. Gęstość częstotliwości. Wykres słupkowy.
• Zmienne losowe. Dyskretna zmienna losowa. Rozkład prawdopodobieństwa dla dyskretnej zmiennej losowej. Funkcja skumulowana (dystrybuanta) dyskretnej zmiennej losowej. Oczekiwanie matematyczne dyskretnej zmiennej losowej. Rozproszenie dyskretnej zmiennej losowej.
• Dystrybucje. Eksperyment Bernoulliego. Eksperyment dwumianowy. Rozkład dwumianowy. Ciągły, równomierny rozkład. Normalna dystrybucja. Standardowy rozkład normalny. CDF i PPF dla rozkładu normalnego. Rozkład Poissona. Aproksymacja jednego rozkładu przez drugi.
• Testowanie hipotez. Ogólna populacja. Próbka. Dystrybucja próbek. Centralne twierdzenie graniczne. Hipotezy jednostronne i dwustronne. Wartość P. Testowanie hipotez jednostronnych i dwustronnych dla jednej próby. Testowanie hipotezy o równości średnich dwóch populacji ogólnych. Testowanie hipotezy równości średnich dla prób zależnych.
ScipyNumpyPythonPandasMatplotlibKombinatorykaRozkładyTestowanie hipotez Teoria prawdopodobieństwa
Projekt
Przetestuj hipotezy dotyczące usługi wynajmu skuterów, aby pomóc w rozwoju Twojej firmy.
Dodatkowy sprint
Teoria prawdopodobieństwa
Zapamiętaj lub rozpoznaj podstawowe pojęcia z teorii prawdopodobieństwa: zdarzenia niezależne, przeciwne, niezgodne itp. Korzystając z prostych przykładów i zabawnych problemów, przećwiczysz pracę z liczbami i budowanie logiki rozwiązań.
To opcjonalny sprint. Oznacza to, że każdy student sam wybiera jedną z opcji:
• Opanuj dodatkowy sprint składający się z 10 krótkich lekcji, odśwież teorię i rozwiąż problemy.
• Otwórz tylko blok z zadaniami do rozmowy kwalifikacyjnej, przypomnij sobie praktykę bez teorii.
• Całkowicie pomiń kurs lub wróć do niego, gdy będzie czas i potrzeba.
PythonZdarzeniaPrawdopodobieństwoTwierdzenie BayesaZmienne losoweTeoria prawdopodobieństwaStatystyczna analiza danych
5 sprintów 1 tydzień
Projekt końcowy pierwszego modułu
Dowiedz się, jak przeprowadzić wstępne badanie danych oraz formułować i testować hipotezy.
ScipyNumpyPythonPandasMatplotlibAnaliza danychTestowanie hipotezPrzetwarzanie danych
Projekt
Znajdź wzorce w danych dotyczących sprzedaży gier.
6 sprintów 2 tygodnie
Podstawowy SQL
Naucz się podstaw strukturalnego języka zapytań SQL i algebry relacyjnej do pracy z bazami danych. Zapoznaj się z możliwościami pracy w PostgreSQL, popularnym systemie zarządzania bazami danych (DBMS). Naucz się pisać zapytania o różnym stopniu złożoności i przekładać problemy biznesowe na język SQL. Będziesz pracować z bazą danych sklepu internetowego specjalizującego się w filmach i muzyce.
• Wprowadzenie do baz danych. Systemy zarządzania bazami danych (DBMS). Język SQL. Zapytania SQL. Formatowanie zapytań SQL.
• Wycinki danych w SQL. Typy danych w PostgreSQL. Konwersja typów danych. Klauzula WHERE. Operatory logiczne. Wycinki danych. Operatory IN, LIKE, MIĘDZY. Praca z datą i godziną. Obsługa brakujących wartości. Warunkowa konstrukcja CASE.
• Funkcje agregujące. Grupowanie i sortowanie danych. Operacje matematyczne. Funkcje agregujące. Grupowanie danych. Sortowanie danych. Filtrowanie według danych zagregowanych, operator HAVING.
• Relacje pomiędzy tabelami. Rodzaje połączeń tabel. Schematy ER. Zmiana nazw pól i tabel. Skróty. Łączenie tabel. Rodzaje złączeń: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN. Alternatywne typy złączy UNION i UNION ALL.
• Podzapytania i popularne wyrażenia tabelowe. Podzapytania. Podzapytania w OD. Podzapytania w WHERE. Kombinacja złączeń i podzapytań. Typowe wyrażenia tabelowe (CTE). Zmienność żądań.
SQLDBMSPostgreSQLPodzapytaniaBazy danychZapytania SQLFiltrowanie danychSortowanie danychGrupowanie danychŁączenie tabelCzęste wyrażenia tabelowe
Projekt
Napiszesz serię zapytań o różnej złożoności do bazy danych przechowującej dane o inwestorach typu venture, startupach i inwestycjach w nich.
7 sprintów 3 tygodnie
Analiza wskaźników biznesowych
Dowiedz się, jakie wskaźniki obowiązują w biznesie. Naucz się wykorzystywać narzędzia do analizy danych w biznesie: analizę kohortową, lejek sprzedaży i ekonomię jednostkową.
• Metryki i lejki. Konwersja. Lejki. Lejek marketingowy. Wrażenia. Kliknięcia. CTR. Lejek produktu.
• Analiza kohortowa. Profil użytkownika. wskaźnik retencji. Wskaźnik rezygnacji. Horyzont analizy. Wizualizacja analizy kohortowej. Analiza retencji losowych kohort. Konwersja w analizie kohortowej. Obliczanie metryk w Pythonie.
• Ekonomika jednostki. Wskaźniki LTV, CAC, ROI. ARPU, ARPU. Obliczanie metryk w Pythonie. Zaawansowana wizualizacja metryk. Parametr Sharey’a. Średnia krocząca.
• Niestandardowe metryki. Ocena aktywności użytkowników. Sesja użytkownika. Badanie anomalii.
Metryki Lejki Konwersja Ekonomika jednostkowa Analiza kohort Metryki produktów Metryki marketingowe
Projekt
Na podstawie danych rozumiemy zachowania użytkowników, a także analizujemy rentowność klientów i ROI z reklam, aby formułować rekomendacje dla działu marketingu.
8 sprintów 2 tygodnie
Zaawansowany SQL
Weźmiesz dodatkowy kurs z pracy z bazami danych i jeszcze bardziej zbliżysz się do biznesu. Wykorzystując język SQL przeanalizujesz kalkulację głównych wskaźników biznesowych, z którymi zapoznałeś się w sprincie „Analiza wskaźników biznesowych”. Rozważ pracę ze złożonym narzędziem, takim jak funkcje okienne. Naucz się zmieniać zawartość baz danych lokalnie, bez symulatora, korzystając ze specjalnych programów klienckich i bibliotek dla Pythona.
• Obliczanie wskaźników biznesowych. Schemat danych. Konwersja. LTV. ARPU. ARPU. Zwrot z inwestycji. Obliczenia przy użyciu SQL.
• Agregowanie funkcji okna. Wyrażenie OVER. PARTYCJA PRZEZ parametr okna.
• Funkcje rankingu okien. Funkcje rankingowe. Okno operatora ZAMÓW PRZEZ. NUMER WIERSZA(). RANGA(). DENSE_RANK(). NTYL(). Operatory okien wraz z funkcjami rankingowymi.
• Funkcje przesunięcia okna. Wartości skumulowane. Funkcje offsetowe. OŁÓW(). OPÓŹNIENIE(). Funkcje okna i aliasy.
• Analiza kohortowa. Wskaźnik utrzymania, współczynnik rezygnacji. LTV.
• Instalacja i konfiguracja bazy danych i klienta bazy danych. Klient bazy danych. Instalacja PostgreSQL'a. Instalowanie DBeavera. Interfejs DBeavera. Tworzenie bazy danych. Wdrażanie zrzutu bazy danych. Przesyłanie wyników zapytania. Prezentacja wyników zapytania.
SQLDBMSMetricsPostgreSQLBazy danychZapytania SQLFunkcje oknaAnaliza kohortowa
Projekt
Używając Pythona i SQL, połącz się z bazą danych, oblicz i wizualizuj kluczowe metryki w systemie usług pytań i odpowiedzi dla programistów.
9 sprintu 2 tygodnie
Podejmowanie decyzji w biznesie
Dowiesz się, czym są testy A/B i zrozumiesz, w jakich przypadkach się je stosuje. Naucz się projektować testy A/B i oceniać ich wyniki.
• Podstawy testowania hipotez w biznesie. Wiodące wskaźniki. Podstawy eksperymentów. Generacja hipotez. Priorytetyzacja metryk. Wybór metody przeprowadzenia doświadczenia. Jakościowe metody testowania hipotez. Ilościowe metody testowania hipotez. Zalety i wady testów A/B.
• Priorytetyzacja hipotez. Ramy RICE. Parametr zasięgu. Parametr uderzenia. Parametr pewności. Parametr wysiłków.
• Przygotowanie do przeprowadzenia testu A/B. Test A/A. Błędy typu I i II. Moc testu statystycznego. Znaczenie testu statystycznego. Porównania wielokrotne, metody zmniejszania prawdopodobieństwa błędu. Obliczanie wielkości próby i czasu trwania testu A/B. Graficzna analiza metryk.
• Analiza wyników testów A/B. Testowanie hipotezy równości udziałów. Test Shapiro-Wilka do sprawdzania normalności danych. Nieparametryczne testy statystyczne. Test Manna-Whitneya. Stabilność wskaźników skumulowanych. Analiza wartości odstających i impulsów.
• Algorytmy behawioralne. Fakty, emocje, oceny. Wyjaśnij swój punkt widzenia.
Testy A/BPriorytyzacja hipotezPrzygotowanie do testów A/BAnaliza wyników testów A/BAnaliza wyników testów A/B
Projekt
Przeanalizuj wyniki testów A/B w dużym sklepie internetowym.
10 sprintów 1 tydzień
Projekt końcowy drugiego modułu
Naucz się testować hipotezy statystyczne za pomocą testów A/B oraz przygotowywać wnioski i rekomendacje w formie raportu analitycznego.
Lejek sprzedażyTesty A/BPrzetwarzanie danychAnaliza danych badawczych
Projekt
Eksploruj lejek sprzedażowy i analizuj wyniki testów A/B w aplikacji mobilnej.
11 sprintów 2 tygodnie
Jak opowiedzieć historię za pomocą danych
Dowiesz się, jak prawidłowo przedstawić wyniki swoich badań za pomocą wykresów, najważniejszych liczb i właściwej ich interpretacji. Poznaj biblioteki Seaborn i Plotly.
• Komu, jak, co i dlaczego powiedzieć. Prezentacja wyników badań. Grupa docelowa narratora. Co i dlaczego powiedzieć analitykowi danych.
• Biblioteka Seaborn. Biblioteka Seaborn jako rozszerzenie biblioteki Matplotlib. metoda jointplot(). Zakresy kolorów. Style wykresów. Wizualizacja rozkładów.
• Biblioteka fabularna. Interaktywne wykresy. Wykres liniowy. Wykres kolumnowy. Wykres kołowy. Wykres lejkowy.
• Wizualizacja danych w geoanalityce. Geoanalityka. Folia biblioteczna. Wyświetlanie mapy. Ustawianie znaczników o określonych współrzędnych. Tworzenie klastrów punktowych. Niestandardowe ikony znaczników. Horoplet.
• Przygotowanie prezentacji. Wnioski na podstawie badania. Sezonowość i czynniki zewnętrzne. Wartości bezwzględne i względne. Paradoks Simpsona. Zasady konstruowania prezentacji. Raporty w notatniku Jupyter.
PlotlyFoliumSeabornMatplotlibPresentationGeoanalyticsWizualizacja danych
Projekt
Przygotuj badanie rynku w oparciu o otwarte dane o placówkach gastronomicznych w Moskwie, zwizualizuj uzyskane dane.
12 sprintów 2 tygodnie
Tworzenie dashboardów w Tableau
W tym sprincie będziesz pracować z systemem Tableau BI. Naucz się łączyć z danymi i modyfikować je, budować różne typy wykresów, montować dashboardy i prezentacje.
• Podstawy pracy z Tableau. Systemy BI. Żywy obraz. Tworzenie dokumentu. Zapisywanie dokumentu. Publikacja dokumentu.
• Praca ze źródłami danych. Źródła danych. Łączenie danych. Metoda relacji. Metoda łączenia. Metoda mieszania. Metoda unijna. Zmiana formatu tabeli.
• Typy danych. Podstawowe typy danych. Pomiary. Środki. Praca z datą i godziną. Zestawy. Grupy. Opcje. Zmiana formatu zmiennych. Zmienne Nazwy miar, wartości miar, liczba.
• Tabele i obliczenia. Interfejs edycji arkusza. Tabele przestawne. Obliczone pola. Wyrażenia LOD.
• Filtry i sortowanie. Środki sortujące. Wymiary sortowania. Rodzaje zagnieżdżone. Sortowanie za pomocą parametru. Filtry.
• Wizualizacje. Sterowanie wizualizacją. Mapy ciepła. Wykresy kołowe. Wykresy kolumnowe. Histogramy. Diagramy zasięgu. Diagram rozproszenia. Wykresy liniowe. Połączone wykresy. Wykresy obszarowe.
• Specjalne wizualizacje i podpowiedzi. Karty. Mapa postaci. Wykres bąbelkowy. Mapa drzewa. Diagramy widoków okręgu. Schematy punktorowe. Wykresy gantta. Mierz nazwy i mierz wartości w wizualizacjach. Inżynieria odwrotna. Podpowiedzi. Etykietki z wizualizacjami. Wartości progowe na wykresach. Narzędzia analityczne w Custom.
• Prezentacje. Dodatkowe opcje. Badanie typowych parametrów. Tworzenie prezentacji.
• Pulpity nawigacyjne. Ładowanie i przygotowywanie danych. Przygotowanie wizualizacji. Montaż deski rozdzielczej. Działania. Demonstracja pulpitu nawigacyjnego. Publikacja dashboardu.
TableauDashboardyNarzędzia BINarzędzia BIWizualizacja danych
Projekt
Zbadaj historię konferencji TED i na podstawie uzyskanych danych stwórz dashboard w Tableau.
Dodatkowy sprint
Podstawy uczenia maszynowego
Zapoznaj się z podstawami uczenia maszynowego i poznaj główne zadania uczenia maszynowego w biznesie.
PythonPandasSklearnUczenie maszynoweZadania uczenia maszynowegoAlgorytmy uczenia maszynowego
Dodatkowy sprint
Poćwicz Pythona
Będziesz brać udział w kilku zajęciach laboratoryjnych z dodatkowymi zadaniami z języka programowania Python. Dowiesz się także jak wydobywać dane z zasobów sieciowych.
Będziesz:
• w strukturze stron HTML i działaniu żądań GET,
• nauczyć się pisać proste wyrażenia regularne,
• poznaj API i JSON,
• wysyłaj kilka zapytań do witryn i zbieraj dane.
JSONPythonREST APISkrobanie sieci
13 sprintów 3 tygodnie
Projekt dyplomowy
W ostatnim projekcie potwierdź, że opanowałeś nowy zawód. Wyjaśnij zadanie klienta i przejdź przez wszystkie etapy analizy danych. Teraz nie ma lekcji ani zadań domowych – wszystko jest jak w prawdziwej pracy.
Sprint końcowy obejmuje pracę projektową, testy A/B i zadania SQL oraz zadanie dodatkowe. Projekt zawiera sformułowanie problemu, oczekiwany rezultat, zbiór danych i ich opis.
Zadanie dotyczy jednego z pięciu obszarów biznesowych:
• banki,
• sprzedaż detaliczna,
• Gry,
• aplikacje mobilne,
• handel elektroniczny.
Nie będzie zwykłego opisu kroków w projekcie. Sam je przepracujesz.
SQ LPython PandasTableau Panele kontrolne Postgre SQL Decomposition Testy A/B