Сколько стоит курс «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»?

Стоимость курса составляет 3990.00 рублей

Где можно пройти курс «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/296717.

Курс на Stepik

Обложка курса «Инструменты инженера данных: Airflow, DuckDB, автотесты данных» на Stepik

3 990 ₽

Инструменты инженера данных: Airflow, DuckDB, автотесты данных ★ 4.889

Name: Инструменты инженера данных: Airflow, DuckDB, автотесты данных
Price: 3990.00 RUB
Availability: InStock
Rating: 4.888888888888889 (0 reviews)

Открыть на
STEPIK.ORG

Три курса со скидкой: Apache Airflow и ETL-пайплайны, SQL-аналитика в DuckDB, автоматические проверки данных на SQL, Python и Great Expectations. Практика инженера данных: от файла до пайплайна и мониторинга качества. Отдельно 4 970 ₽, в пакете 3 990 ₽.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	9
Рейтинг курса	4.889
Курсов в пакете	3	—	—	—	—
Количество уроков	79
Количество квизов	46
Время прохождения курса	3 ч.	—
Стоимость курса	3 990 ₽	—
Обновления курса	—	—
Дата публикации курса	11 часов назад	—	—	—	—
Последнее обновление	17 августа 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание пакета (3 курса)

Курсы в пакете «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»

3 курса Уроки в курсе «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»

79 уроков Тесты в курсе «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»

46 тестов Время прохождения курса «Инструменты инженера данных: Airflow, DuckDB, автотесты данных»

3 ч.

1. DuckDB на практике: SQL-аналитика прямо в Python и файлах 4.67

1 ч.

Введение и быстрый старт

6 уроков

1. Добро пожаловать и структура курса ↗

2. Что такое DuckDB и почему это “аналитика без сервера”? ↗

3. Где применяется DuckDB (аналитика, data engineering, Python)? ↗

4. Установка DuckDB (CLI + Python) ↗

5. Первый запрос за 5 минут ↗

6. БОНУС: Сравнение скорости: DuckDB vs Polars vs Pandas ↗

Работа с файлами -> главная фишка DuckDB

6 уроков

1. Чтение CSV напрямую без импорта ↗

2. Работа с Parquet (эффективная аналитика) ↗

3. Чтение JSON-файлов ↗

4. Запросы к файлам как к таблицам ↗

5. Экспорт результатов в CSV / Parquet ↗

6. Практический мини-кейс ↗

SQL-возможности DuckDB

5 уроков

1. Расширения SQL (GROUP BY ALL, EXCLUDE, REPLACE, COLUMNS) ↗

2. Быстрое исследование данных (SUMMARIZE, SAMPLE) ↗

3. Window Functions ↗

4. PIVOT ↗

5. Генерация данных (generate_series) ↗

DuckDB + Python

4 урока

1. Подключение DuckDB в Python ↗

2. Выполнение SQL из Python ↗

3. Интеграция с pandas ↗

4. Аналитический workflow: файл → SQL → DataFrame → результат ↗

Мини-проект: аналитика реальных данных

5 уроков

1. Постановка задачи ↗

2. Загрузка данных ↗

3. Очистка и трансформации ↗

4. Аналитические запросы ↗

5. Финальный отчёт ↗

Заключение

3 урока

1. Где DuckDB использовать в реальных проектах? ↗

2. Ограничения и когда выбрать другую БД ↗

3. Что дальше? ↗

2. SQL и Python для проверки данных: автотесты и Great Expectations 5.00

1 ч.

Введение

4 урока

1. О чём этот курс и кому он подойдёт ↗

2. Как устроен курс и как его проходить ↗

3. Что такое Data Quality и почему это важно ↗

4. Архитектура проекта курса ↗

Типичные проблемы качества данных

5 уроков

1. Какие проблемы бывают в данных ↗

2. Почему ломаются аналитические пайплайны ↗

3. Проверки качества данных: основные категории ↗

4. Практика: анализ данных интернет-магазина ↗

5. Практика: поиск проблем качества данных ↗

SQL-проверки качества данных

7 уроков

1. Почему SQL=основной инструмент Data Quality ↗

2. NULL (completeness=полнота) ↗

3. Дубликаты (uniqeness=уникальность) ↗

4. Диапазоны (validity=валидность) ↗

5. Связность (Referential integrity) ↗

6. Схема (schema checks) ↗

7. Практика: пишем SQL-checks ↗

Data Quality проверки в Python

5 уроков

1. Когда SQL-проверок недостаточно ↗

2. Валидация данных с Pydantic ↗

3. Проверка DataFrame с Pandera ↗

4. Практика: validation pipeline ↗

5. Практика: обработка ошибок данных ↗

Проверки данных с Great Expectations

5 уроков

1. Что такое Great Expectations? ↗

2. Типы проверок (expectations) ↗

3. Создание validation suite ↗

4. Data Docs и отчёты проверок ↗

5. Практика: проверка dataset ↗

Data Observability

5 уроков

1. Data Observability: что это такое ↗

2. Freshness checks ↗

3. Volume monitoring ↗

4. Schema monitoring ↗

5. Практика: мониторинг таблицы ↗

Интеграция проверок в Airflow

4 урока

1. Где запускать Data Quality проверки ↗

2. Data Quality задачи в Airflow ↗

3. Fail pipeline при ошибке данных ↗

4. Практика: добавляем проверки в DAG ↗

Финальный проект

3 урока

1. Постановка задачи ↗

2. Реализация ↗

3. Самопроверка / эталон ↗

3. Yandex DataSphere: Аналитика в Облаке 5.00

223

1 ч.

DataSphere: от нуля до первого ноутбука

3 урока

1. DataSphere vs Google Colab: в чём разница ↗

2. Яндекс.Облако: регистрация и стартовый грант ↗

3. Создаём первый проект и запускаем ноутбук ↗

Данные: загружаем, читаем, строим графики

3 урока

1. Библиотеки: что есть и как добавить нужное ↗

2. Загружаем .parquet и делаем первый анализ ↗

3. Стоимость: как считается тарификация ↗

Аналитика в облаке: Object Storage, EDA, выводы

3 урока

1. Object Storage: загружаем данные для анализа ↗

2. EDA: пропуски, типы, распределения, выбросы ↗

3. Object Storage: сохраняем результаты ↗

Экосистема Яндекс.Облака: что дальше

3 урока

1. PostgreSQL: подключаемся из ноутбука ↗

2. Как дать коллеге доступ к проекту ↗

3. Дальше: Jobs, DataLens и аналитический стек ↗