Анализ данных
Основы анализа данных - сбор, очистка, визуализация, статистические методы, интерпретация результатов и инструменты для бизнес-аналитики.
Big Data
Big Data — это относительное состояние, при котором объём данных превышает возможности традиционных систем хранения и обработки с точки зрения производительности, стоимости или масштабируемости.
Data Science
Data Science - междисциплинарный подход к извлечению знаний из данных через статистику, моделирование и предметную экспертизу.
Дата майнинг
Методы извлечения знаний из больших массивов информации, полный цикл KDD от постановки задачи до интерпретации выявленных закономерностей.
Ошибки интерпретации и манипуляции статистикой
Принципы критического мышления при анализе данных, выявление ошибок интерпретации статистики и защита от манипуляций численными показателями.
Умный дом
Архитектура систем умного дома, принципы интеграции инженерных и бытовых устройств, автоматизация сценариев и управление жилым пространством.
Технологии в спорте
Применение информационных технологий в спорте для мониторинга физической активности, анализа тренировочных нагрузок и контроля состояния спортсменов.
Основы статистики
Базовые статистические показатели, методы работы с распределениями данных и принципы интерпретации результатов для аналитических задач.
Как использовать ИИ для анализа данных
ИИ в анализе данных - автоматизация поиска закономерностей и поддержка решений с помощью машинного обучения и нейросетевых моделей.
Причинно-следственный анализ
Методы выявления причинно следственных связей в данных, построение выводов на основе измеримых результатов и условий проведения экспериментов.
Потоковая аналитика в реальном времени
Архитектура потоковой аналитики, методы обработки событий в реальном времени и извлечения полезных сигналов без долгосрочного хранения сырых данных.
Python для анализа данных
Применение языка Python для анализа данных, использование описательной статистики, библиотек визуализации и методов обобщения наборов информации.
Первые шаги в анализе табличных данных в Jupiter Notebook
Практический анализ - создание файлов Jupiter, работа в VS Code и обработка базовых данных.
ETL-ELT и оркестрация
Архитектура конвейеров данных ETL и ELT, принципы оркестрации задач загрузки и трансформации информации в распределённых аналитических системах.
Табличные данные — Pandas, Polars, SQL и PySpark
Сравнительный анализ инструментов обработки табличных данных Pandas, Polars, SQL и PySpark с разбором типовых операций фильтрации и объединения.
Очистка и подготовка данных в Pandas
Методы очистки и подготовки табличных данных в Pandas, обработка пропусков, дубликатов, фильтрация и объединение таблиц перед статистическим анализом.
Pandas — типовые операции при анализе данных
Основные операции библиотеки pandas для работы с табличными данными, фильтрации, группировки, статистического анализа и очистки данных.
Разведочный анализ данных в Excel
Методы exploratory data analysis в Excel, работа с наблюдениями, переменными, сводными таблицами и визуализацией перед переходом к языкам программирования.
Power BI и self-service аналитика
Возможности платформы Microsoft Power BI для создания интерактивных дашбордов, подключения источников данных и публикации отчётов для бизнес пользователей.
Маршрут Excel → R → Python
Как перенести аналитику из электронных таблиц в R и Python — стек инструментов, этапы маршрута и ссылки на материалы энциклопедии.
Вероятность для аналитика данных
Выборочное пространство, дискретные и непрерывные распределения, симуляции в Excel и связь с проверкой гипотез.
Линейная регрессия — Excel, R и Python
Корреляция, линия тренда и линейная модель в электронных таблицах, R (lm) и Python (statsmodels / sklearn) на одном примере.
Пакетная работа с данными
Теория и практика пакетной обработки данных, массовые операции с базами данных, транзакционная целостность, идемпотентность и архитектура ETL процессов.
Анализ данных — итоги
Итоги раздела анализа данных - ключевые методы, инструменты визуализации, статистические модели, типичные ошибки и пути углубления знаний.
Анализ данных — чек-лист
Чек-лист по анализу данных - этапы обработки, выбор метрик, работа с pandas, визуализация, проверка гипотез и подготовка отчётов.
Анализ данных — о разделе
Обзор раздела анализа данных - методы обработки, визуализация, статистика, инструменты Python и R, практика работы с реальными наборами данных.