Data Analysis

Курс для аналитиков и специалистов, которые хотят углубленно изучить методы анализа данных, очистку, трансформацию, визуализацию и статистические методы.

Предварительные требования

знание Python

Цели курса

После курса вы сможете:

• Проводить комплексный анализ данных с помощью Python;

• Очищать и агрегировать большие наборы данных;

• Создавать визуализации и интерактивные отчеты;

• Применять статистические методы для проверки гипотез;

• Подготавливать данные для моделирования и машинного обучения.

Часть 1

1. Основы анализа данных

• Роль анализа данных в бизнесе

• Типы данных: структурированные и неструктурированные

• Этапы исследовательского процесса (CRISP-DM)

• Exploratory Data Analysis (EDA)

2. Среда анализа данных

• Jupyter Notebook / Google Colab

• Организация проекта

3. Загрузка и первичный анализ данных

• CSV, Excel, SQL-запросы

• Первичный обзор данных

• Типы переменных

• Проверка корректности данных

Часть 2

4. Обработка пропущенных значений

• Типы пропусков

• Удаление vs. заполнение

• Импутация данных

5. Работа с выбросами

• Методы выявления выбросов

• Z-score, IQR

• Влияние выбросов на анализ

6. Трансформация данных

• Кодирование категориальных переменных

• Нормализация и стандартизация

• Feature engineering

• Работа с датами и временем

7. Объединение и агрегация данных

• Merge, Join, Concat

• GroupBy и агрегации

• Pivot-таблицы

Часть 3

8. Описательная статистика

• Среднее, медиана, мода

• Дисперсия и стандартное отклонение

• Квартили

• Распределения

9. Корреляционный анализ

• Коэффициенты корреляции

• Интерпретация связей

• Матрица корреляций

10. Визуализация данных

• Matplotlib

• Seaborn

• Типы графиков:

o Гистограммы

o Boxplot

o Scatter plot

o Heatmap

o Pairplot

• Интерпретация визуализаций

Часть 4

11. Основы статистики

• Вероятностные распределения

• Нормальное распределение

• Центральная предельная теорема

12. Проверка гипотез

• Формулировка H0 и H1

• p-value

• Уровень значимости

• t-test

• ANOVA

• Chi-square test

13. A/B тестирование

• Постановка эксперимента

• Метрики эффективности

• Интерпретация результатов

• Типичные ошибки

Часть 5

14. Работа с временными данными

• Анализ динамики

• Скользящие средние

• Сезонность

15. Основы регрессионного анализа

• Линейная регрессия

• Интерпретация коэффициентов

• Метрики качества модели

16. Подготовка аналитического отчёта

• Визуальное представление результатов

• Storytelling с данными

• Подготовка презентации для бизнеса

• Ошибки интерпретации