Курс Аналітик даних в IT

Протягом 8 місяців ви будете не просто знайомитись та вивчати нові теми, а все відпрацьовувати на практиці в форматі квізу або домашнього завдання. Паралельно після кожного виконаного дз ви отримаєте максимально детальний зворотний зв’язок. А наприкінці ми ще ретельно підготуємось до найголовнішого, пошуку роботи в IT. Кожного дня вас супроводжує куратор та залишається з вами на зв'язку в чаті. Якщо у вас виникне питання, ви відразу отримати підтримку, відповідь та розуміння, що робити далі. А ще підтримку від однодумців та розуміння. Гарантія працевлаштування. Дотримуючись всіх рекомендацій на курсі ви знайдете роботу і аби ви почувалися впевнено, всі умови повернення коштів детально прописані в договорі.

Програма курсу

Блок 1. Фундамент аналітики даних

Модуль 1. Вступ до професії аналітика даних. Продуктовий аналіз і метрики

• Хто такий аналітик даних: Які задачі він вирішує та які навички потрібні для успіху
• Ключові навички аналітика: Реальні приклади завдань і сценарії використання даних
• Що таке продуктовий аналіз: Як аналіз даних допомагає бізнесу приймати кращі рішення
• Метрики: Як правильно їх розуміти, обчислювати та використовувати для оцінки успіху

Модуль 2. Аналіз даних в Google Spreadsheet та Excel - від основ до просунутого використання

• Порівняння Google Sheets та Excel: Основні відмінності та унікальні можливості кожного інструменту
• Створення та форматування таблиць: Налаштування відображення різних типів даних
• Сортування та фільтрація даних: Використання Views для гнучкого управління даними
• Агрегація та умовне форматування: Використання функцій IF, SUMIF, Pivot Table для ефективного аналізу
• Просунуті функції: VLOOKUP, робота з курсами валют, об'єднання даних, обробка тексту
• Інтерактивні звіти: Побудова дашбордів для візуалізації ключових показників

Модуль 3. Теорія ймовірностей

• Вступ до теорії ймовірностей: Основні поняття та ключові принципи
• Ймовірність і її властивості: Розуміння ймовірнісних моделей
• Комбінаторика: Методи підрахунку можливих варіантів подій
• Умовна ймовірність і незалежні події: Як події впливають одна на одну
• Теорема Байєса: Як оновлювати ймовірності з урахуванням нових даних
• Інтерактивні звіти: Побудова дашбордів для візуалізації ключових показників

Модуль 4. Основи статистики для аналізу даних

• Вступ до статистичного аналізу: Ключові поняття та основи роботи зі статистикою
• Міри центральної тенденції: Середнє, медіана, мода та їх роль в аналізі даних
• Варіація та стандартне відхилення: Як виміряти розкид даних
• Коваріація та кореляція: Взаємозв'язки між змінними
• Основні розподіли: Види розподілів та їх застосування в аналізі

Блок 2. Робота з базами даних та SQL

Модуль 5. Бази даних. SQL: базовий синтаксис, JOINs

Основи SQL та реляційних баз даних:

• Основи баз даних: Що таке бази даних, системи управління базами даних, реляційні та нереляційні БД
• Знайомство з SQL: Мова запитів до баз даних та її логіка роботи
• Термінологія та діалекти SQL: Ключові поняття та різновиди SQL
• Базовий синтаксис SQL: Структура та основні команди для запитів
• Практичні запити: Робота з SQL на реальних прикладах

Практика роботи з даними в SQL:

• Фільтрація даних: Запити до однієї таблиці та обробка даних
• Робота з рядками та датами: Методи та функції обробки даних
• JOIN-запити: Поєднання таблиць для просунутих аналітичних запитів
• UNION-запити: Об'єднання результатів із кількох запитів
• INSERT, UPDATE, DELETE. Оновлення, вставка та видалення даних в таблицях

Блок 3. Візуалізація та ВІ-інструменти

Блок 6. Інструменти BI. Побудова інтерактивних звітів з Tableau

• Вступ до BI-систем:Що таке BI-системи та як вони допомагають бізнесу
• Огляд продуктів Tableau: Можливості та ключові інструменти платформи
• Основи Tableau Public: Базовий функціонал для створення звітів
• Створення дашборду: Побудова, налаштування та публікація звітів
• Просунуті техніки Tableau: Нестандартні функції та лайфхаки для візуалізацій

Модуль 7. Побудова інтерактивних звітів з Power BI

• Початок роботи з Power BI: Установка, налаштування та створення першого звіту
• Джерела даних та Power Query: Підключення, трансформація та обробка даних
• Візуалізації у Power BI: Типи графіків, фільтри та інтерактивні елементи
• Збереження та публікація звітів
• Просунуті техніки Tableau: Нестандартні функції та лайфхаки для візуалізацій
• Основи DAX: синтаксис, контексти та принципи роботи
• Створення обчислювальних стовпців і мір
• Роботу з функціями Average, AverageX та контекстними переходами
• Професійні практики форматування та коментування коду
• Побудову дашбордів на реальних даних

Проєкт "Аналіз даних з Google Sheets, SQL та ВІ-системою"

Самостійна робота над проєктом з даними, наданими Академією. Академія надає джерела даних, рекомендації та вимоги до виконання проєкту, та звісно ж - підтримку в чаті.

Блок 4. Аналіз даних з Python

Модуль 8. Інструменти для аналізу даних з Python

• Вступ до Python: Що таке Python та як його встановити
• Anaconda та Anaconda Navigator: Налаштування робочого середовища
• Виконання коду Python: Огляд доступних інструментів та середовищ
• Jupyter Notebook та Jupyter Lab: Встановлення та робота з інтерфейсом
• Редактор VS Code: Налаштування та можливості відлагодження коду
• Google Colab та віртуальні середовища: Хмарне виконання коду
• GitHub для аналітика: Контроль версій і робота з репозиторіями

Модуль 9. Основи програмування на Python

• Основи Python: Змінні та основні типи даних
• Колекції та Control Flow: Списки, словники та керування потоком виконання
• Цикли та List Comprehensions: Ефективна обробка даних у Python
• Функції у Python: Створення, анотація типів і застосування функцій
• Параметри функцій: Особливості передавання значень і приклади використання
• Глобальна та локальна область видимості: Модулі та обробка винятків
• Класи у Python: Основи об'єктно-орієнтованого програмування

Модуль 10. Бібліотека Pandas: ключові концепції та методи роботи з даними

• Структури даних у Pandas та NumPy: Серії, DataFrame, багатовимірні масиви
• Імпорт і читання даних: CSV, Excel, бази даних, інтеграція з Google Colab
• Очищення та підготовка даних: Заповнення пропусків, обробка аномалій
• Фільтрація та сортування: Методи вибірки даних
• Агрегація та групування даних: GroupBy, Pivot, PivotTable
• Функції та трансформації: Використання apply(), map() для маніпуляцій
• Оптимізація роботи з табличними даними в Pandas: Підходи для підвищення ефективності та продуктивності під час обробки великих обсягів даних

Модуль 11. Візуалізація даних для аналізу з бібліотеками matplotlib, seaborn, plotly

• Основи візуалізації даних: Роль графічного представлення даних в аналізі, огляд Matplotlib
• Базові графіки в Matplotlib: Побудова та налаштування графіків (лінії, кольори, маркери)
• Аналіз декількох графіків: Побудова кількох візуалізацій на одній фігурі, підписи, легенди, збереження
• Типи графіків: Діаграми розсіювання, гістограми, barplots, box plots
• Seaborn для аналітики: Основи, переваги та побудова складних графіків
• Порівняння Matplotlib та Seaborn: Сценарії використання
• Візуалізація часових рядів (time series)

Блок 5. Просунуті методи роботи з даними

Модуль 12. Інтеграція Python з базами даних та API.ETL-процеси. Транзакції. DBT

• Створення підключення до БД: Налаштування з'єднання з базами даних через Python
• Читання даних через pandas: Завантаження та обробка даних з БД у DataFrame
• Параметризовані запити та захист від SQL-ін'єкцій: Безпечне виконання запитів з параметрами
• Аналітичні запити з агрегацією: GROUP BY, COUNT, SUM та інші функції для аналізу
• Складна аналітика на Python+SQL з віконними функціями: Просунуті техніки аналізу часових рядів та рангування
• Внесення оновлень через INSERT, UPDATE, DELETE: Зміна даних у базі з контролем транзакцій
• Інтеграція з API та збереження в БД: Завантаження даних із зовнішніх джерел
• Створення production-ready ETL пайплайнів: Автоматизовані процеси обробки даних для реальних проєктів

Модуль 13. Інструмент для роботи з великими даними BigQuery

• BigQuery: Що це та огляд можливостей інструменту
• Колонкові бази даних. BigQuery та інші
• BigQuery Sandbox та публічні дані. Робота з запитами
• Таблиця ga_sessions_ у BigQuery. Розбір структури та аналіз даних

Модуль 14. Оптимізація SQL-запитів

• EXPLAIN: Як аналізувати SQL-запити та зрозуміти, що уповільнює їх виконання
• Індекси: Що таке індекси, як вони працюють та як допомагають пришвидшити запити
• Оптимізація JOIN: Як правильно використовувати JOIN-запити для ефективного об'єднання таблиць
• Інші методи оптимізації: Додаткові техніки для підвищення продуктивності SQL-запитів

Блок 6. Просунута статистика та машинне навчання

Модуль 15. Тестування статистичних гіпотез та A/B тестування

• Основи тестування статистичних гіпотез: Як формулювати та перевіряти статистичні гіпотези
• Статистичні тести: Z-тест, p-value та інтерпретація результатів
• Порівняння вибірок: Тестування на одній та двох вибірках
• A/B тестування: Теорія, постановка задачі та дизайн експерименту
• Аналіз результатів тестування: Перевірка гіпотез та фінальні висновки

Модуль 16. Основи машинного навчання для аналітика даних

• Роль і використання ML в аналітиці даних: Як машинне навчання допомагає аналітикам вирішувати бізнес-завдання
• Задача прогнозування: Передбачення числових значень (наприклад, прогноз доходів або попиту)
• Задача класифікації: Розподіл даних на категорії (наприклад, виявлення шахрайських транзакцій)

Модуль 17. Оптимізація роботи аналітика. Інструменти ШІ

• Sweetviz: Автоматична візуалізація даних для швидкого аналізу та порівняння наборів даних
• ChatGPT для аналізу даних: Автоматизація рутинних завдань, генерація SQL-запитів та допомога у виявленні інсайтів
• Google Gemini та інші ШІ-асистенти: Альтернативні інструменти для підтримки аналітичних задач
• Бібліотеки з АІ для аналітики: Використання додаткових Python-бібліотек (зокрема, PandasAI) для інтелектуального аналізу

Фінальний проєкт

Самостійний аналітичний проєкт з використанням SQL, Python, BigQuery, Excel/Google Sheets та BI-інструмента за вибором. Проєкт охоплює збір, обробку, аналіз та візуалізацію даних та допомагає продемонструвати практичні навички та готовність до реальних бізнес-завдань учня.

Блок 7. Кар'єра в аналітиці

Модуль 18. Професійний профіль аналітика даних

• Створення сильного резюме крок за кроком: Детальні рекомендації і приклади резюме учнів, які знайшли роботу
• Ефективний LinkedIn-профіль: Як оптимізувати сторінку для залучення рекрутерів
• WOW-портфоліо: Демонстрація проєктів, що привертають увагу роботодавців
• Платформи для пошуку роботи: Огляд Djinni та інших ресурсів для IT-фахівців. Реєстрація на Djinni

Модуль 19. Підготовка до співбесід

• Готовність №1 до співбесід: Як відповідати на технічні та нетехнічні запитання
• Тестові співбесіди: Практика в парах для опрацювання типових запитань
• Подолання внутрішніх блокерів: Робота зі страхами та невпевненістю перед подачею на вакансії
• Чекліст "250+ питань до технічної співбесіди" з відповідями
• Чекліст "HR-питання" з прикладами хороших і поганих відповідей
• Гайд "Платформи для пошуку фриланс-проєктів і фултайм роботи в Україні і країнах Європи"

Особливості курсу

• Продумана проєктно-орієнтована програма, після якої дійсно можна працевлаштуватись на позицію аналітика даних в ІТ
• Короткі уроки до 30 хв з практикою після кожного невеликого блоку
• 4 роки викладацької практики, авторські курси в школах robot_dreams та Hillel
• Зручна платформа: всі уроки, домашки, тести і перевірки ДЗ в одному місці
• Багато практики на різних рівнях складності
• Підтримка і супровід протягом всього шляху
• 2 групові Q&A зідзвони на місяць від практикуючого IT-фахівця
• ДУЖЕ детальний розбір кожного вашого ДЗ
• Сертифікат про проходження курсу

Викладачі курсу

Ганна Пилєва - Senior Machine Learning Engineer, Consultant