Курс Аналіз даних з Python

Перейдіть на новий рівень аналізу даних - перетворіть формули, довгі таблиці, звіти вручну на гнучкі візуалізації, точні прогнози та зрозумілі презентації завдяки Python.

Програма курсу

Знайомство з Python і середовищем роботи

• Дізнаєтеся, що таке Python і як його застосовують в аналітиці
• Навчитеся встановлювати Python і налаштовувати середовище для роботи
• Зрозумієте базовий синтаксис, типи даних та оператори
• Розберете принципи гарного стилю коду

Основи програмування на Python

• Розберете основні типи алгоритмів: послідовність, розгалуження, цикли
• Навчитеся застосовувати умовні оператори if, elif, else
• Попрактикуєтесь у створенні циклів for і while для виконання повторюваних дій

Базові можливості Python

• Навчитеся створювати власні функції, передавати їм аргументи та викликати їх у коді
• Зрозумієте, як працюють базові структури даних: list, tuple, dict, set
• Дізнаєтесь, як встановити бібліотеки через pip або conda
• Попрацюєте з модулями collections та itertools для роботи з наборами даних

Основи об'єктно-орієнтованого програмування на Python

• Дізнаєтеся, що таке класи, об'єкти й методи та зрозумієте принципи об'єктно-орієнтованого програмування (ООП)
• Навчитеся використовувати конструктори, атрибути й інкапсуляцію
• Розберете механіку наслідування і роботу з абстрактними класами

NumPy для роботи з числовими даними

• Розберете значення бібліотеки NumPy у числовому аналізі
• Навчитеся створювати одномірні й багатовимірні масиви
• Набудете досвіду арифметичних операцій і фільтрації масивів
• Опануєте логічну фільтрацію та broadcasting для оптимізації обчислень

Основи Pandas для обробки даних

• Розглянете бібліотеку Pandas і зрозумієте, для чого вона потрібна в аналітиці
• Навчитеся створювати Series і DataFrame, імпортувати CSV/Excel
• Опануєте базову обробку даних: фільтрацію, сортування, агрегацію та об'єднання таблиць
• Зрозумієте, як трансформувати дані з допомогою groupby(), map(), np.select()

Розумна обробка даних у Pandas: дати, ранги, сесії

• Навчитесь ефективно збирати дані з .loc[], .iloc[] у Pandas та працювати з індексацією в NumPy
• Дізнаєтеся, як обробляти часові дані з допомогою .dt, to_datetime()
• Розберете метод merge_asof() для приєднання за часом
• Застосуєте ковзні обчислення, ранжування та сесійну сегментацію для глибокого аналізу даних

Основи візуалізації з Matplotlib та Seaborn

• Дізнаєтеся про ключові принципи побудови графіків, розглянете графіки в Pandas, а також спеціальні бібліотеки для візуалізації: Matplotlib та Seaborn
• Навчитеся створювати різні типи візуалізацій: від простих лінійних і стовпчастих графіків та гістограми в Matplotlib до heatmap, boxplot, scatterplot у Seaborn
• Набудете навичок роботи зі стилями, кольорами й підписами, щоб графіки були інформативними та зрозумілими для аналітичних презентацій

Інтерактивна візуалізація з Plotly: дашборди й реальні кейси

• Зрозумієте, для чого потрібна інтерактивна візуалізація
• Розглянете бібліотеку Plotly
• Навчитеся створювати графіки за допомогою Plotly Express
• Розглянете базову структуру дашборда в Dash
• Навчитеся візуалізувати бізнес-дані - створювати інтерактивні графіки для продажів, клієнтів, динаміки у вигляді інтерактивних елементів з базовим управлінням через layout і callback-функції

Scikit-learn. Статистика в Python: гіпотези, кореляції, регресія

• Дізнаєтесь, як застосовувати описову статистику, перевірку гіпотез і кореляційний аналіз для оцінювання бізнес-даних
• Вивчите два підходи до моделювання: scikit-learn (для швидкого створення моделей) та statsmodels (для детального статистичного аналізу лінійної регресії)
• Навчитеся виявляти статистично значущі відмінності між групами даних і робити обґрунтовані висновки для ухвалення бізнес-рішень

Машинне навчання для аналітика: прогнози, моделі, кейси

• З'ясуєте, як працює прогнозний аналіз і кросвалідація: інструменти, що допомагають перевіряти якість моделей і не вводити себе в оману
• Зможете будувати базові моделі машинного навчання: класифікаційні (наприклад, передбачення відтоку клієнтів) та регресійні (наприклад, прогноз виручки)
• Зрозумієте, коли та як обирати між класифікацією і регресією у бізнес-завданнях
• Дізнаєтесь, як оцінювати точність моделей за допомогою метрик MAE, R², accuracy
• Навчитеся інтерпретувати результати моделі та визначати ключові фактори, що впливають на поведінку клієнтів або фінансові показники

Вебскрапінг з Beautifulsoup

• Дізнаєтесь, як працюють HTTP-запити та DOM-структура
• Навчитеся завантажувати HTML-документи через requests
• Попрацюєте з BeautifulSoup для парсингу даних і витягування потрібних елементів
• З'ясуєте, як зберегти дані у CSV для подальшого аналізу

Парсинг даних і робота з API: Scrapy, Requests

• Дізнаєтесь, як працює фреймворк Scrapy: його структура, пайплайни та переваги для збору вебданих
• Зрозумієте, що таке API, як знаходити документацію та витягувати з нього потрібні дані
• Попрактикуєтесь у запитах до REST API за допомогою бібліотеки requests
• Порівняєте підходи: API vs скрапінг

Робота з базами даних: від SQLite до Postgresql

• Навчитеся працювати з базами даних, зберігати й обробляти великі обсяги даних
• Створите локальну базу даних в SQLite, зможете робити таблиці та виконувати CRUD-операції
• Опануєте SQLAlchemy для створення ORM-моделей, фільтрації та оновлення даних
• Зрозумієте, як під'єднуватися до PostgreSQL через psycopg2 та як завантажувати дані з SQL-запитів у Pandas і формувати звіти для аналітики й презентацій

Автоматизація збору та обробки даних

• Навчитеся писати скрипти для регулярного збору, очищення й трансформації даних
• Вивчите основи логування, обробки помилок, таймаутів
• Дізнаєтесь, як обробити JSON-відповідь з API, витягнути ключові показники та зберегти їх у CSV для подальшої обробки
• Автоматизуєте обробку помилок, логування та створення щоденного аналітичного звіту
• Дізнаєтесь, як працювати із хмарними сервісами (Google Drive, AWS S3)

Презентація фінальних проєктів

• У фінальному проєкті ви оберете один із запропонованих реальних датасетів і пройдете повний цикл роботи з даними в Python: від завантаження й обробки до побудови візуалізацій та формування висновків
• Презентуєте власний проєкт лектору та колегам

Особливості курсу

• Допомога ментора
• Практика
• Курсовий проєкт
• Зручний формат
• Індивідуальний фідбек
• Доступ назавжди
• Сертифікат про проходження курсу

Викладачі курсу

Анна Шепелєва - Senior Data Analyst at Brainstack