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 39 часов.

Какой рейтинг у курса «Профессия Аналитик данных»?

Курс имеет рейтинг 4.5 из 5 на основе 0 отзывов. На курсе обучается 8 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 ★ 4.497

Name: Профессия Аналитик данных
Price: 6990.00 RUB
Availability: InStock
Rating: 4.497222222222223 (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	8
Сертификатов выдано	0
Отзывов получено	26
Рейтинг курса	4.497
Курсов в пакете	7	—	—	—	—
Количество уроков	162
Количество квизов	828
Количество задач с кодом	277
Время прохождения курса	39 ч.	—
Стоимость курса	6 990 ₽	—
Обновления курса	—	—
Дата публикации курса	9 месяцев 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»

828 тестов Задачи в курсе «Профессия Аналитик данных»

277 задач Время прохождения курса «Профессия Аналитик данных»

39 ч.

1. Numpy для анализа данных 4.733333333333333

131

5 ч.

1. Введение в NumPy

3 урока

Закрытый

1.1 Знакомство с библиотекой NumPy ↗

6м

Закрытый

1.2 Основы работы с массивами ↗

22м

Закрытый

1.3 Типы данных в NumPy ↗

10м

2. Операции с массивами

3 урока

Закрытый

2.1 Арифметика с массивами ↗

29м

Закрытый

2.2 Статистические операции ↗

14м

Закрытый

2.3 Математические функции в NumPy ↗

15м

3. Многомерные массивы

2 урока

Закрытый

3.1 Работа с двумерными массивами ↗

35м

Закрытый

3.2 Создание и манипуляции с многомерными массивами ↗

40м

4. Манипуляции с данными

3 урока

Закрытый

4.1 Изменение формы и размера массивов ↗

16м

Закрытый

4.2 Работа с пустыми и NaN значениями ↗

48м

Закрытый

4.3 Подсчёт уникальных значений и их частот ↗

26м

5. Работа с большими данными и производительность

2 урока

Закрытый

5.1 Производительность NumPy ↗

18м

Закрытый

5.2 Работа с большими массивами ↗

5м

6. Применение NumPy в анализе данных

4 урока

Закрытый

6.1 Загрузка и сохранение данных ↗

6м

Закрытый

6.2 Применение NumPy для анализа временных рядов: часть 1 ↗

32м

Закрытый

6.3 Применение NumPy для анализа временных рядов: часть 2 ↗

8м

Закрытый

6.4 Обратная связь ↗

1м

2. Pandas для анализа данных 5.0

122

6 ч.

1. Чтение данных из файлов

2 урока

Закрытый

1.1 Импорт данных из форматов CSV, Excel, JSON ↗

11м

Закрытый

1.2 Обработка крупных файлов с chunksize ↗

30м

2. Экспресс знакомство с данными

3 урока

Закрытый

2.1 Методы быстрого просмотра: head(), tail(), sample() ↗

2м

Закрытый

2.2 Основные характеристики данных: info(), describe() ↗

19м

-1

Закрытый

2.3 Выявление и обработка пропущенных значений ↗

9м

3. Вывод столбцов и работа с типами данных

2 урока

Закрытый

3.1 Доступ к столбцам и преобразование типов данных ↗

22м

Закрытый

3.2 Преобразование типов данных для оптимизации памяти ↗

9м

4. Фильтрация строк

1 урок

Закрытый

4.1 Условные фильтры и фильтрация по значениям ↗

19м

5. Сортировка строк

1 урок

Закрытый

5.1 Сортировка по значениям и индексам ↗

19м

6. Агрегирующие функции и вычисления

2 урока

Закрытый

6.1 Применение стандартных агрегирующих функций ↗

12м

Закрытый

6.2 Пользовательские функции для агрегации ↗

15м

7. Объединение данных

2 урока

Закрытый

7.1 Методы объединения данных: merge, join, concat ↗

23м

Закрытый

7.2 Конкатенация таблиц ↗

13м

8. Работа с датами и временем

2 урока

Закрытый

8.1 Преобразование строк в формат дат ↗

31м

Закрытый

8.2 Извлечение временных компонентов (год, месяц, день) ↗

4м

9. Преобразование значений и редактирование данных

2 урока

Закрытый

9.1 Замена значений (replace, map, applymap) ↗

19м

Закрытый

9.2 Удаление дубликатов и управление индексами ↗

12м

10. Визуализация данных в Pandas

1 урок

Закрытый

10.1 Базовая визуализация: гистограммы, boxplot, scatter ↗

20м

11. Слайсинг и выборка данных

1 урок

Закрытый

11.1 Индексация и выборка данных с помощью .loc и .iloc ↗

9м

12. Работа с текстовыми данными

1 урок

Закрытый

12.1 Разбор и обработка текстов ↗

18м

13. Pandas и машинное обучение

4 урока

Закрытый

13.1 Масштабирование данных и нормализация ↗

9м

Закрытый

13.2 Преобразование категориальных признаков(One-Hot, Label Encoding) ↗

4м

Закрытый

13.3 Подготовка данных для ML-моделей ↗

2м

Закрытый

13.4 Обратная связь ↗

1м

3. SQL-собеседование: 200 задач уровня Junior 4.0

180

6 ч.

1. Основы SQL и подход к задачам на собеседовании

3 урока

Закрытый

1.1 SELECT, FROM, WHERE ↗

14м

Закрытый

1.2 Условия: AND, OR, IN, BETWEEN, LIKE ↗

18м

Закрытый

1.3 Подход к SQL-задачам на собеседованиях ↗

2м

2. Сортировка и ограничение результатов

3 урока

Закрытый

2.1 ORDER BY ↗

5м

Закрытый

2.2 LIMIT, OFFSET ↗

9м

Закрытый

2.3 Первые/последние N строк по условию ↗

8м

3. Агрегация и группировка

3 урока

Закрытый

3.1 COUNT, SUM, AVG, MIN, MAX ↗

6м

Закрытый

3.2 GROUP BY, HAVING ↗

15м

Закрытый

3.3 Группировка по нескольким полям ↗

18м

4. JOIN: работа с несколькими таблицами

3 урока

Закрытый

4.1 INNER JOIN, LEFT JOIN, RIGHT JOIN ↗

11м

Закрытый

4.2 JOIN на 3+ таблицы ↗

12м

Закрытый

4.3 Обнаружение "висящих" записей (анализ NULL после JOIN) ↗

5. Подзапросы

3 урока

Закрытый

5.1 Подзапросы в SELECT, WHERE, FROM ↗

Закрытый

5.2 IN, EXISTS, NOT EXISTS ↗

Закрытый

5.3 Коррелированные подзапросы ↗

6. Работа с датами и строками

3 урока

Закрытый

6.1 DATE функции: NOW, DATEDIFF, EXTRACT ↗

Закрытый

6.2 Строковые функции: CONCAT, SUBSTRING, LENGTH ↗

Закрытый

6.3 CASE WHEN THEN ↗

7. Изменение данных

2 урока

Закрытый

7.1 INSERT, UPDATE, DELETE ↗

Закрытый

7.2 CREATE, ALTER, DROP ↗

8. Триггеры, индексы и представления

2 урока

Закрытый

8.1 Индексы и EXPLAIN ↗

Закрытый

8.2 VIEW и материализованные представления ↗

9. Частые ловушки

3 урока

Закрытый

9.1 NULL в логике ↗

Закрытый

9.2 Дублирующиеся строки ↗

Закрытый

9.3 SELECT N записей из каждой группы ↗

10. Финальные задания

4 урока

Закрытый

10.1 20 комплексных задач по всем темам ↗

Закрытый

10.2 20 комплексных задач по всем темам ↗

Закрытый

10.3 Чеклист для подготовки к интервью ↗

Закрытый

10.4 Обратная связь ↗

4. Анализ данных с нуля: визуализация, корреляции, практика 5.0

120

5 ч.

1. Введение

2 урока

Закрытый

1.1 Что такое анализ данных ↗

7м

Закрытый

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

24м

2. Работа с данными в Pandas

5 уроков

Закрытый

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

13м

Закрытый

2.2 Индексация, выборка, фильтрация ↗

13м

Закрытый

2.3 Работа с пропущенными значениями ↗

14м

Закрытый

2.4 Группировка и агрегация ↗

26м

Закрытый

2.5 Сохранение результатов ↗

13м

3. Визуализация данных

4 урока

Закрытый

3.1 Введение в Matplotlib ↗

82м

Закрытый

3.2 Seaborn: быстрые и стильные визуализации ↗

21м

Закрытый

3.3 Настройка графиков: подписи, цвета, размеры ↗

13м

Закрытый

3.4 Совмещение графиков, подграфики (subplots) ↗

6м

4. Корреляции и связи

3 урока

Закрытый

4.1 Понятие корреляции и ковариации ↗

7м

Закрытый

4.2 Метод .corr() и тепловая карта ↗

13м

Закрытый

4.3 Ошибки и ложные корреляции ↗

3м

5. Линейная регрессия

2 урока

Закрытый

5.1 Линейная регрессия — понятие и основные идеи ↗

2м

Закрытый

5.2 Построение линейной регрессии ↗

8м

6. Проект в портфолио

2 урока

Закрытый

6.1 Финальный проект ↗

0м

Закрытый

6.2 Обратная связь ↗

5. Анализ и прогнозирование временных рядов 3.25

235

7 ч.

1. Введение в временные ряды

2 урока

Закрытый

1.1 Что такое временные ряды: определение и ключевые компоненты ↗

3м

Закрытый

1.2 Задачи анализа временных рядов: прогноз, классификация, аномалии ↗

9м

2. Обработка и визуализация временных рядов

3 урока

Закрытый

2.1 Чтение и загрузка временных рядов (Pandas, NumPy) ↗

13м

Закрытый

2.2 Очистка и предобработка данных ↗

17м

Закрытый

2.3 Визуализация временных рядов с Matplotlib и Seaborn ↗

11м

3. Стационарность и преобразование временных рядов

3 урока

Закрытый

3.1 Определение стационарности временных рядов ↗

5м

Закрытый

3.2 Тесты на стационарность: ADF, KPSS, PP и другие ↗

16м

Закрытый

3.3 Преобразование временных рядов для стационарности ↗

25м

4. Декомпозиция временных рядов

2 урока

Закрытый

4.1 Теория декомпозиции временных рядов: тренд, сезонность и шум ↗

10м

Закрытый

4.2 Применение STL для декомпозиции временных рядов ↗

29м

5. Классические модели для прогнозирования временных рядов

3 урока

Закрытый

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

4м

Закрытый

5.2 Применение ARIMA для прогнозирования ↗

27м

Закрытый

5.3 Модели с сезонностью: SARIMA ↗

28м

6. Прогнозирование с использованием экспоненциального сглаживания

2 урока

Закрытый

6.1 Что такое экспоненциальное сглаживание ↗

9м

Закрытый

6.2 Прогнозирование с Simple, Double и Triple Exponential Smoothing ↗

9м

7. Прогнозирование временных рядов с машинным обучением

3 урока

Закрытый

7.1 Использование ML для прогнозирования ↗

3м

Закрытый

7.2 Выбор признаков и обработка временных зависимостей ↗

8м

Закрытый

7.3 Применение моделей ML: Random Forest, XGBoost, LGBM ↗

13м

8. Глубокое обучение для прогнозирования временных рядов

3 урока

Закрытый

8.1 Введение в нейронные сети для прогнозирования временных рядов ↗

2м

Закрытый

8.2 Рекуррентные нейронные сети (RNN), LSTM и GRU ↗

4м

Закрытый

8.3 Применение LSTM для долгосрочных зависимостей ↗

0м

9. Продвинутое прогнозирование: Temporal Convolutional Networks

2 урока

Закрытый

9.1 Введение в Temporal Convolutional Networks (TCN) ↗

3м

Закрытый

9.2 Построение моделей с TCN для прогнозирования временных рядов ↗

2м

10. Прогнозирование временных рядов с использованием Prophet

3 урока

Закрытый

10.1 Введение в Prophet: особенности модели и её использование ↗

3м

Закрытый

10.2 Прогнозирование с использованием Prophet для временных рядов ↗

4м

Закрытый

10.3 Параметры модели и их настройка ↗

6м

11. Оценка и улучшение точности прогнозов

2 урока

Закрытый

11.1 Техники для улучшения точности прогноза: моделирование ошибок ↗

110м

Закрытый

11.2 Оценка стабильности и доверия к прогнозам ↗

2м

12. Обнаружение аномалий и выбросов

3 урока

Закрытый

12.1 Что такое аномалии и выбросы в данных ↗

2м

Закрытый

12.2 Методы обнаружения аномалий: статистические и др. ↗

0м

Закрытый

12.3 Практические примеры на временных рядах ↗

0м

13. Заключительный проект: Прогнозирование курса Биткоина

5 уроков

Закрытый

13.1 Построение проекта по прогнозированию курса Биткоина ↗

Закрытый

13.2 Анализ и очистка данных ↗

Закрытый

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

Закрытый

13.4 Оценка качества прогноза и выводы ↗

Закрытый

13.5 Обратная связь ↗

0м

6. Визуализация с Matplotlib для анализа данных

115

5 ч.

1. Введение в курс

2 урока

Закрытый

1.1 Что такое Matplotlib? ↗

5м

Закрытый

1.2 Установка модуля, импорт модуля, проверка версии модуля ↗

5м

2. Основы построения графиков

3 урока

Закрытый

2.1 Построение простого графика ↗

12м

Закрытый

2.2 Настройка внешнего вида графика ↗

23м

Закрытый

2.3 Добавление элементов и сохранение ↗

26м

3. Несколько графиков и подграфики

1 урок

Закрытый

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

79м

4. Разные типы графиков

11 уроков

Закрытый

4.1 Диаграмма рассеяния — plt.scatter() ↗

15м

Закрытый

4.2 Столбчатая диаграмма — plt.bar() ↗

25м

Закрытый

4.3 Гистограмма — plt.hist() ↗

21м

Закрытый

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

17м

Закрытый

4.5 Круговая диаграмма — plt.pie() ↗

13м

Закрытый

4.6 Стековый график — plt.stackplot() ↗

14м

Закрытый

4.7 Stem-диаграмма — plt.stem() ↗

7м

Закрытый

4.8 Ступенчатый график — plt.step() ↗

11м

Закрытый

4.9 График с погрешностями — plt.errorbar() ↗

9м

Закрытый

4.10 Контурный график — plt.contour() ↗

3м

Закрытый

4.11 Обратная связь ↗

2м

7. Нейросети в PyTorch: быстрый старт с нуля 5.0

143

4 ч.

1. Введение и настройка

2 урока

Закрытый

1.1 Что такое PyTorch и зачем он нужен ↗

8м

Закрытый

1.2 Установка и настройка (локально и в Google Colab) ↗

12м

2. Основы тензоров и автодифференцирование

2 урока

Закрытый

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

26м

Закрытый

2.2 Автоматическое дифференцирование: requires_grad, backward() и др ↗

45м

3. Линейные модели и градиентный спуск

4 урока

Закрытый

3.1 Ручной градиентный спуск ↗

12м

Закрытый

3.2 Линейная регрессия с PyTorch ↗

27м

Закрытый

3.3 Функции потерь и оптимизаторы (MSELoss, SGD) ↗

7м

Закрытый

3.4 Тренировка и визуализация лосса ↗

10м

4. Нейронные сети

4 урока

Закрытый

4.1 Что такое нейросети ↗

6м

Закрытый

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

6м

Закрытый

4.3 Активации: ReLU, Sigmoid, Softmax ↗

20м

Закрытый

4.4 Модель классификации + обучение ↗

5. Работа с данными

3 урока

Закрытый

5.1 Dataset и DataLoader ↗

10м

Закрытый

5.2 Работа с CSV и изображениями ↗

Закрытый

5.3 Аугментации и трансформации (torchvision.transforms) ↗

6. Компьютерное зрение

3 урока

Закрытый

6.1 Введение в сверточные сети (CNN) ↗

6м

Закрытый

6.2 Conv2d, MaxPool2d, Flatten ↗

3м

Закрытый

6.3 Классификация на MNIST / CIFAR-10 ↗

2м

7. Оценка и сохранение моделей

3 урока

Закрытый

7.1 model.eval(), torch.no_grad() ↗

2м

Закрытый

7.2 torch.save, torch.load ↗

19м

Закрытый

7.3 Обратная связь ↗