Сколько стоит курс «Профессия Аналитик данных»?

Стоимость курса составляет 6990.00 рублей

Сколько времени занимает прохождение курса «Профессия Аналитик данных»?

Прохождение курса «Профессия Аналитик данных» занимает примерно 41 часов.

Какой рейтинг у курса «Профессия Аналитик данных»?

Курс имеет рейтинг 4.6 из 5 на основе 0 отзывов. На курсе обучается 10 учеников.

Где можно пройти курс «Профессия Аналитик данных»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/252726.

Курс на Stepik

Обложка курса «Профессия Аналитик данных» на Stepik

6 990 ₽

Профессия Аналитик данных ★ 4.556

Name: Профессия Аналитик данных
Price: 6990.00 RUB
Availability: InStock
Rating: 4.555555555555555 (0 reviews)

Открыть на
STEPIK.ORG

Этот пакет поможет полностью освоить анализ временных рядов и глубокое обучение в PyTorch. Вы пройдёте путь от базового понимания данных и трендов до построения собственных моделей RNN и LSTM. Курс сочетает теорию, практику и реальные проекты, чтобы вы могли уверенно применять знания на практике и подготовиться к работе в Data Science. Всё необходимое для полного погружения и профессионального старта — в одном курсе. 🚀

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	10
Сертификатов выдано	0
Отзывов получено	35
Рейтинг курса	4.556
Курсов в пакете	7	—	—	—	—
Количество уроков	162
Количество квизов	809
Количество задач с кодом	296
Время прохождения курса	41 ч.	—
Стоимость курса	6 990 ₽	—
Обновления курса	—	—
Дата публикации курса	1 год назад	—	—	—	—
Последнее обновление	1 год назад	—	—	—	—

Содержание пакета (7 курсов)

Курсы в пакете «Профессия Аналитик данных»

7 курсов Уроки в курсе «Профессия Аналитик данных»

162 урока Тесты в курсе «Профессия Аналитик данных»

809 тестов Задачи в курсе «Профессия Аналитик данных»

296 задач Время прохождения курса «Профессия Аналитик данных»

41 ч.

1. Numpy для анализа данных 4.72

169

5 ч.

Введение в NumPy

3 урока

1. Знакомство с библиотекой NumPy ↗

2. Основы работы с массивами ↗

3. Типы данных в NumPy ↗

Операции с массивами

3 урока

1. Арифметика с массивами ↗

2. Статистические операции ↗

3. Математические функции в NumPy ↗

Многомерные массивы

2 урока

1. Работа с двумерными массивами ↗

2. Создание и манипуляции с многомерными массивами ↗

Манипуляции с данными

3 урока

1. Изменение формы и размера массивов ↗

2. Работа с пустыми и NaN значениями ↗

3. Подсчёт уникальных значений и их частот ↗

Работа с большими данными и производительность

2 урока

1. Производительность NumPy ↗

2. Работа с большими массивами ↗

Применение NumPy в анализе данных

4 урока

1. Загрузка и сохранение данных ↗

2. Применение NumPy для анализа временных рядов: часть 1 ↗

3. Применение NumPy для анализа временных рядов: часть 2 ↗

4. Обратная связь ↗

2. Pandas для анализа данных 4.50

122

6 ч.

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 ↗

3. SQL-собеседование: 200 задач уровня Junior 4.00

180

7 ч.

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 ↗

4. Анализ данных с нуля: визуализация, корреляции, практика 5.00

115

4 ч.

Введение

2 урока

1. Что такое анализ данных ↗

2. Основы Python для аналитики (переменные, списки, циклы, функции) ↗

Работа с данными в Pandas

5 уроков

1. Загрузка и просмотр данных (read_csv, .head(), .info()) ↗

2. Индексация, выборка, фильтрация ↗

3. Работа с пропущенными значениями ↗

4. Группировка и агрегация ↗

5. Сохранение результатов ↗

Визуализация данных

4 урока

1. Введение в Matplotlib ↗

2. Seaborn: быстрые и стильные визуализации ↗

3. Настройка графиков: подписи, цвета, размеры ↗

4. Совмещение графиков, подграфики (subplots) ↗

Корреляции и связи

3 урока

1. Понятие корреляции и ковариации ↗

2. Метод .corr() и тепловая карта ↗

3. Ошибки и ложные корреляции ↗

Линейная регрессия

2 урока

1. Линейная регрессия — понятие и основные идеи ↗

2. Построение линейной регрессии ↗

Проект в портфолио

2 урока

1. Финальный проект ↗

2. Обратная связь ↗

5. Анализ и прогнозирование временных рядов 3.67

235

8 ч.

Введение в временные ряды

2 урока

1. Что такое временные ряды: определение и ключевые компоненты ↗

2. Задачи анализа временных рядов: прогноз, классификация, аномалии ↗

Обработка и визуализация временных рядов

3 урока

1. Чтение и загрузка временных рядов (Pandas, NumPy) ↗

2. Очистка и предобработка данных ↗

3. Визуализация временных рядов с Matplotlib и Seaborn ↗

Стационарность и преобразование временных рядов

3 урока

1. Определение стационарности временных рядов ↗

2. Тесты на стационарность: ADF, KPSS, PP и другие ↗

3. Преобразование временных рядов для стационарности ↗

Декомпозиция временных рядов

2 урока

1. Теория декомпозиции временных рядов: тренд, сезонность и шум ↗

2. Применение STL для декомпозиции временных рядов ↗

Классические модели для прогнозирования временных рядов

3 урока

1. Модели авторегрессии (AR), скользящего среднего (MA), ARMA и др. ↗

2. Применение ARIMA для прогнозирования ↗

3. Модели с сезонностью: SARIMA ↗

Прогнозирование с использованием экспоненциального сглаживания

2 урока

1. Что такое экспоненциальное сглаживание ↗

2. Прогнозирование с Simple, Double и Triple Exponential Smoothing ↗

Прогнозирование временных рядов с машинным обучением

3 урока

1. Использование ML для прогнозирования ↗

2. Выбор признаков и обработка временных зависимостей ↗

3. Применение моделей ML: Random Forest, XGBoost, LGBM ↗

Глубокое обучение для прогнозирования временных рядов

3 урока

1. Введение в нейронные сети для прогнозирования временных рядов ↗

2. Рекуррентные нейронные сети (RNN), LSTM и GRU ↗

3. Применение LSTM для долгосрочных зависимостей ↗

Продвинутое прогнозирование: Temporal Convolutional Networks

2 урока

1. Введение в Temporal Convolutional Networks (TCN) ↗

2. Построение моделей с TCN для прогнозирования временных рядов ↗

Прогнозирование временных рядов с использованием Prophet

3 урока

1. Введение в Prophet: особенности модели и её использование ↗

2. Прогнозирование с использованием Prophet для временных рядов ↗

3. Параметры модели и их настройка ↗

Оценка и улучшение точности прогнозов

2 урока

1. Техники для улучшения точности прогноза: моделирование ошибок ↗

2. Оценка стабильности и доверия к прогнозам ↗

Обнаружение аномалий и выбросов

3 урока

1. Что такое аномалии и выбросы в данных ↗

2. Методы обнаружения аномалий: статистические и др. ↗

3. Практические примеры на временных рядах ↗

Заключительный проект: Прогнозирование курса Биткоина

5 уроков

1. Построение проекта по прогнозированию курса Биткоина ↗

2. Анализ и очистка данных ↗

3. Применение методов прогнозирования (ARIMA, LSTM, Prophet и др.) ↗

4. Оценка качества прогноза и выводы ↗

5. Обратная связь ↗

6. Визуализация с Matplotlib для анализа данных 5.00

101

6 ч.

Введение в курс

2 урока

1. Что такое Matplotlib? ↗

2. Установка модуля, импорт модуля, проверка версии модуля ↗

Основы построения графиков

3 урока

1. Построение простого графика ↗

2. Настройка внешнего вида графика ↗

3. Добавление элементов и сохранение ↗

Несколько графиков и подграфики

1 урок

1. Несколько графиков на одной фигуре — plt.subplot() ↗

Разные типы графиков

11 уроков

1. Диаграмма рассеяния — plt.scatter() ↗

2. Столбчатая диаграмма — plt.bar() ↗

3. Гистограмма — plt.hist() ↗

4. Диаграмма размаха (boxplot) — plt.boxplot() ↗

5. Круговая диаграмма — plt.pie() ↗

6. Стековый график — plt.stackplot() ↗

7. Stem-диаграмма — plt.stem() ↗

8. Ступенчатый график — plt.step() ↗

9. График с погрешностями — plt.errorbar() ↗

10. Контурный график — plt.contour() ↗

11. Обратная связь ↗

7. Нейросети в PyTorch: быстрый старт с нуля 5.00

143

6 ч.

Введение и настройка

2 урока

1. Что такое PyTorch и зачем он нужен ↗

2. Установка и настройка (локально и в Google Colab) ↗

Основы тензоров и автодифференцирование

2 урока

1. torch.Tensor: создание, типы, shape, операции ↗

2. Автоматическое дифференцирование: requires_grad, backward() и др ↗

Линейные модели и градиентный спуск

4 урока

1. Ручной градиентный спуск ↗

2. Линейная регрессия с PyTorch ↗

3. Функции потерь и оптимизаторы (MSELoss, SGD) ↗

4. Тренировка и визуализация лосса ↗

Нейронные сети

4 урока

1. Что такое нейросети ↗

2. Многослойный перцептрон (nn.Sequential, nn.Module) ↗

3. Активации: ReLU, Sigmoid, Softmax ↗

4. Модель классификации + обучение ↗

Работа с данными

3 урока

1. Dataset и DataLoader ↗

2. Работа с CSV и изображениями ↗

3. Аугментации и трансформации (torchvision.transforms) ↗

Компьютерное зрение

3 урока

1. Введение в сверточные сети (CNN) ↗

2. Conv2d, MaxPool2d, Flatten ↗

3. Классификация на MNIST / CIFAR-10 ↗

Оценка и сохранение моделей

3 урока

1. model.eval(), torch.no_grad() ↗

2. torch.save, torch.load ↗

3. Обратная связь ↗