Содержание пакета (5 курсов)
1. Pandas для анализа данных 4.60
Чтение данных из файлов
2 урока
1.
Импорт данных из форматов CSV, Excel, JSON
↗
2.
Обработка крупных файлов с chunksize
↗
Экспресс знакомство с данными
3 урока
1.
Методы быстрого просмотра: head(), tail(), sample()
↗
2.
Основные характеристики данных: info(), describe()
↗
3.
Выявление и обработка пропущенных значений
↗
Вывод столбцов и работа с типами данных
2 урока
1.
Доступ к столбцам и преобразование типов данных
↗
2.
Преобразование типов данных для оптимизации памяти
↗
Фильтрация строк
1 урок
1.
Условные фильтры и фильтрация по значениям
↗
Сортировка строк
1 урок
1.
Сортировка по значениям и индексам
↗
Агрегирующие функции и вычисления
2 урока
1.
Применение стандартных агрегирующих функций
↗
2.
Пользовательские функции для агрегации
↗
Объединение данных
2 урока
1.
Методы объединения данных: merge, join, concat
↗
2.
Конкатенация таблиц
↗
Работа с датами и временем
2 урока
1.
Преобразование строк в формат дат
↗
2.
Извлечение временных компонентов (год, месяц, день)
↗
Преобразование значений и редактирование данных
2 урока
1.
Замена значений (replace, map, applymap)
↗
2.
Удаление дубликатов и управление индексами
↗
Визуализация данных в Pandas
1 урок
1.
Базовая визуализация: гистограммы, boxplot, scatter
↗
Слайсинг и выборка данных
1 урок
1.
Индексация и выборка данных с помощью .loc и .iloc
↗
Работа с текстовыми данными
1 урок
1.
Разбор и обработка текстов
↗
Pandas и машинное обучение
4 урока
1.
Масштабирование данных и нормализация
↗
2.
Преобразование категориальных признаков(One-Hot, Label Encoding)
↗
3.
Подготовка данных для ML-моделей
↗
4.
Обратная связь
↗
2. SQL-собеседование: 200 задач уровня Junior 4.00
Основы SQL и подход к задачам на собеседовании
3 урока
1.
SELECT, FROM, WHERE
↗
2.
Условия: AND, OR, IN, BETWEEN, LIKE
↗
3.
Подход к SQL-задачам на собеседованиях
↗
Сортировка и ограничение результатов
3 урока
1.
ORDER BY
↗
2.
LIMIT, OFFSET
↗
3.
Первые/последние N строк по условию
↗
Агрегация и группировка
3 урока
1.
COUNT, SUM, AVG, MIN, MAX
↗
2.
GROUP BY, HAVING
↗
3.
Группировка по нескольким полям
↗
JOIN: работа с несколькими таблицами
3 урока
1.
INNER JOIN, LEFT JOIN, RIGHT JOIN
↗
2.
JOIN на 3+ таблицы
↗
3.
Обнаружение "висящих" записей (анализ NULL после JOIN)
↗
Подзапросы
3 урока
1.
Подзапросы в SELECT, WHERE, FROM
↗
2.
IN, EXISTS, NOT EXISTS
↗
3.
Коррелированные подзапросы
↗
Работа с датами и строками
3 урока
1.
DATE функции: NOW, DATEDIFF, EXTRACT
↗
2.
Строковые функции: CONCAT, SUBSTRING, LENGTH
↗
3.
CASE WHEN THEN
↗
Изменение данных
2 урока
1.
INSERT, UPDATE, DELETE
↗
2.
CREATE, ALTER, DROP
↗
Триггеры, индексы и представления
2 урока
1.
Индексы и EXPLAIN
↗
2.
VIEW и материализованные представления
↗
Частые ловушки
3 урока
1.
NULL в логике
↗
2.
Дублирующиеся строки
↗
3.
SELECT N записей из каждой группы
↗
Финальные задания
4 урока
1.
20 комплексных задач по всем темам
↗
2.
20 комплексных задач по всем темам
↗
3.
Чеклист для подготовки к интервью
↗
4.
Обратная связь
↗
3. Практический Machine Learning
Введение в машинное обучение
4 урока
1.
Основные понятия ML
↗
2.
Типы задач: регрессия, классификация, кластеризация
↗
3.
Этапы ML-проекта
↗
4.
Оценка качества моделей
↗
Анализ и подготовка данных
4 урока
1.
Разведочный анализ данных (EDA)
↗
2.
Обработка пропусков
↗
3.
Нормализация и масштабирование
↗
4.
Кодирование категориальных признаков
↗
Линейные модели
4 урока
1.
Линейная регрессия
↗
2.
Регуляризация (L1, L2)
↗
3.
Градиентный спуск
↗
4.
Логистическая регрессия
↗
Метрики и оценка моделей
3 урока
1.
Метрики регрессии
↗
2.
Метрики классификации
↗
3.
Кросс-валидация
↗
Базовые алгоритмы
2 урока
1.
K-ближайших соседей (KNN)
↗
2.
Метод опорных векторов (SVM)
↗
Деревья решений и ансамбли
3 урока
1.
Решающие деревья
↗
2.
Случайный лес
↗
3.
Градиентный бустинг
↗
Современные реализации бустинга
3 урока
1.
LightBoost
↗
2.
XGBoost
↗
3.
CatBoost
↗
Снижение размерности
2 урока
1.
Метод главных компонент (PCA)
↗
2.
Визуализация данных
↗
Кластеризация
3 урока
1.
K-means
↗
2.
Иерархическая кластеризация
↗
3.
DBSCAN
↗
Итоговый проект
2 урока
1.
Финальный проект
↗
2.
Обратная связь
↗
4. Разведочный анализ данных 5.00
О курсе и вводная подготовка
1 урок
1.
Что такое EDA
↗
Математическая и техническая база
2 урока
1.
Тест по математике (минимум необходимый)
↗
2.
Тест по Python
↗
Основы работы с данными
4 урока
1.
Типы данных, измерения и структура датасета
↗
2.
Pandas: ключевые операции
↗
3.
Polars: быстрый анализ больших данных
↗
4.
Подведение итогов модуля
↗
Проверка качества данных
3 урока
1.
Работа с пропусками — полный набор техник
↗
2.
Дубликаты, ошибки и “грязные” данные
↗
3.
Домашнее задание
↗
Визуализация данных
5 уроков
1.
Matplotlib/Seaborn: базовые графики
↗
2.
Plotly: интерактивные графики
↗
3.
Pairplot, jointplot, тепловые карты
↗
4.
Ошибки визуализации
↗
5.
Домашнее задание
↗
Глубокий анализ признаков
5 уроков
1.
Анализ числовых признаков
↗
2.
Анализ категориальных признаков
↗
3.
Взаимосвязь категориальных и числовых признаков
↗
4.
Выявление выбросов и аномалий
↗
5.
Домашнее задание
↗
5. Статистика для собеседований 5.00
Введение в прикладную статистику
5 уроков
1.
Основные понятия: генеральная совокупность, выборка, параметры
↗
2.
Виды данных: категориальные, числовые, дискретные
↗
3.
Мера центральной тенденции: среднее, медиана, мода
↗
4.
Разброс: дисперсия, стандартное отклонение, IQR
↗
5.
Практика: Вычислить ключевые статистики вручную
↗
Распределения вероятностей
7 уроков
1.
Что такое распределение и зачем оно нужно
↗
2.
Нормальное распределение: свойства, Z-оценки
↗
3.
Биномиальное, Бернулли, Пуассон
↗
4.
Равномерное, экспоненциальное
↗
5.
ЦПТ: как объяснить интервьюеру
↗
6.
Практика: Определить распределение по графику/описанию
↗
7.
Типичные вопросы с собеседований
↗
Оценивание и доверительные интервалы
2 урока
1.
Доверительный интервал для среднего, для доли
↗
2.
Понятие Bootstrap в статистике
↗
Гипотезы и статистические тесты
9 уроков
1.
Что такое гипотеза: H0 и H1
↗
2.
Ошибки 1 и 2 рода, уровень значимости, power
↗
3.
p-value: как правильно объяснять
↗
4.
t-тест: для чего нужен и как применять
↗
5.
Z-тест, χ²-тест, F-тест
↗
6.
A/B-тестирование: полный разбор
↗
7.
Практика: провести A/B-тест в Python
↗
8.
Типичные вопросы интервью: часть 1
↗
9.
Типичные вопросы интервью: часть 2
↗
Корреляция и регрессия
5 уроков
1.
Корреляция Пирсона, Спирмена, Кендалла
↗
2.
Ковариация и как её объяснять
↗
3.
Линейная регрессия: базовые идеи
↗
4.
Линейная регрессия: мультиколлинеарность, VIF
↗
5.
Вопросы интервью по корреляции и регрессии
↗
Итоговая практика
4 урока
1.
Мини-собеседование: 30 типичных вопросов (часть 1)
↗
2.
Мини-собеседование: 30 типичных вопросов (часть 2)
↗
3.
Практическое задание: провести A/B тест
↗
4.
Обратная связь
↗