Big data analyst (аналитик больших данных)

Принципы эффективного обучения

Эффективный учебный план. Хороший план позволяет вам учить вещи в таком порядке, чтобы каждая новая вещь базировалась на уже полученных знаниях. И, в идеале, он идёт по спирали, постепенно углубляя знания во всех аспектах. Потому что учить теоретически математику, без интересных примеров применения — неэффективно. Именно это является одной из проблем плохого усваивания материалов в школе и институте.
Учебный план — это именно та вещь, которую без опыта составить труднее всего. И именно с этим я стараюсь помочь.

Следует концентрироваться на понимании главных принципов — это легче, чем запоминать отдельные детали (они часто оказываются не нужны)

Особенно важно это становится, когда вы учите язык программирования, тем более свой первый: не стоит зубрить правильное написание команд («синтаксис») или заучивать API библиотек.
Это вторая вещь, с которой я хочу помочь — разобраться, что важно, а на что не следует тратить много времени.

Обучение на аналитика

Аналитик без высшего образования не может претендовать на получение хороших высокооплачиваемых должностей. С другой стороны, таких специалистов «в чистом виде» отечественные вузы не готовят, да и специфика работы может сильно различаться в зависимости от области деятельности. Самые близкие по характеру и смыслу варианты обучения на аналитика – это профили «Экономика» (код 38.03.01) и «Социология» (код 39.03.01). Набор предметов, которые нужно сдавать для поступления, зависит от специальности и вуза и может включать в себя русский язык, математику, обществознание и иностранный язык. Обучение в обоих случаях длится 4 года на очном отделении, 5 лет – на всех остальных.

Плюсы и минусы профессии

Плюсы

  1. Профессия новая и стремительно набирает популярность.
  2. Большое количество клиентов заинтересовано в услугах Big Data Analyst.
  3. Специалисты по большим данным получают высокую заработную плату.
  4. Возможность получить работу мечты в крупной российской компании, например, «Яндекс» или Mail.ru Group, или деловое предложение от зарубежных корпораций, холдингов: аналитика Big Data – это дорогое удовольствие, позволить его себе могут только гиганты бизнеса или госструктуры.
  5. Возможен профессиональный рост и смена профиля деятельности.

Минусы

  1. Работа малоподвижная и однообразная.
  2. Часто ненормированый рабочий день.
  3. Постоянное психологическое напряжение.
  4. Нет вакансий в небольших городах, но этот недостаток компенсируется возможностью работать удаленно. 

В чём заключается моя работа

Я работаю ведущим аналитиком в рекламном подразделении таргетированных смс-рассылок мобильного оператора. По соображениям конфиденциальности назвать компанию я не могу, она входит в так называемую «большую тройку». Моё подразделение занимается рассылкой рекламы абонентам, сегментируя их по опредёленным социально-демографическим, поведенческим и другим признакам. Аналитик занимается тем, что из всей абонентской базы выбирает абонентов, которые отвечают этим признакам, чтобы рекламодатель рассылал рекламу именно тем людям, которых она может заинтересовать.

Например, к нам приходит клиент, директор стоматологии, и заказывает рекламную кампанию. Аналитик и клиент вместе определяют набор признаков, по которым абоненты могли бы заинтересоваться этой конкретной стоматологией — проживание в определённом районе, обращение за стоматологическими услугами в недалёком прошлом и так далее. Составив список этих признаков, аналитик направляет запросы в базу данных, чтобы реклама была отправлена релевантным абонентам. Для формирования запросов используется специальный язык программирования SQL, предназначенный для работы с базами данных.

Такая реклама называется таргетированной, от английского слова target — цель. Основная задача аналитика — правильно определить эту цель. Чем точнее определён круг признаков и правильнее составлен запрос, тем успешней рекламная кампания.

По результатам кампании аналитики собирают и анализируют данные о её эффективности: смотрят, как много абонентов откликнулись на рекламу— , то есть позвонили по указанным телефонам, обратились в эту стоматологию;, и анализируют, от чего зависит эффективность рекламы, когда она срабатывает, а когда нет. Это похоже на настоящее научное исследование.

Интуит

Серия бесплатных видео-уроков призвана обучить основам дисциплины. Автор Алексей Поляков, представляющий российский НИУ ВШЭ, посвятил курс изучению опыта использования моделей бизнес-деятельности на практике. Каждая из 13 лекционных тем рассматривается основательно, длительность большинства занятий превышает академический час. Рассказывается о классификации процессов и методологии их ускоренного описания, происходит знакомство с ССП (сбалансированной системой показателей), оценивается методика построения стратегических карт, приводятся недостатки традиционных методов калькуляции. В плане значатся 5 тестов из 8-16 вопросов.

Кто такие дата-аналитики

Специалисты по работе с большими данными умеют извлекать полезную информацию из всевозможных источников и анализировать её для принятия бизнес-решений

Как правило, аналитики сталкиваются с разрозненной информацией, поэтому важно уметь извлекать нужные данные

Сейчас профессия дата-аналитика считается одной из самых привлекательных и перспективных в мире. Чтобы стать хорошим аналитиком, нужно больше разбираться в статистике, чем в программировании. Потому что во время работы приходится строить математические модели, которые опишут проблему и фактические данные.

Дата-аналитик работает со случайными величинами и вероятностными моделями, его задача — найти неожиданные закономерности. Поэтому знание теории вероятностей и математической статистики — одно из главных требований к соискателям.

Также необходимо знать языки программирования R или Python и иметь представление о технологиях обработки больших данных. Этих знаний достаточно, чтобы претендовать на начальную позицию дата-аналитика.

Чтобы стать хорошим аналитиком, надо не только разбираться в программировании или статистике, но и отлично знать продукт, а главное, уметь проверять и предлагать гипотезы

Большие данные при правильном применении содержат огромное количество классных инсайтов и идей, как улучшить продукт или определить, что важно

Но у большинства задач нет однозначного решения или алгоритма: в этом плане анализ данных — работа очень творческая

Важно и умение выбрать правильную визуализацию. Одни и те же данные могут выглядеть случайным набором точек или же рассказать много интересного при правильном подходе

Как стать аналитиком данных и где этому учат

67% специалистов по аналитике пришли в Data Science из других сфер. В основном это разработчики и маркетологи, но есть и неожиданные профессиональные бэкграунды: геммологи, звукорежиссеры и даже ядерные физики.

Чаще всего изучать аналитику начинают с профессиональной литературы, тематических статей, авторитетных блогов и профильных каналов в мессенджерах. В открытом доступе много теоретической информации, где можно собрать базовый пул теории и практики. И все же для первых самостоятельных шагов нужна система. Проще и быстрее погрузиться в практическую аналитику на образовательных курсах.

Роман Крапивинруководитель проектов, компания ООО «ИНТЭК»:

«В 2020 я задумался о смене профессии, поскольку пандемия коронавируса серьезно ударила по строительному бизнесу, где я работал руководителем проектов последние три года. Долго выбирал онлайн-курсы, хотел прокачать свои скилы в проектном управлении и пошел на курс Project Manager. 

Поэтому я начал изучать Power BI, на котором научился визуализировать данные и получил первые знания для дальнейшей работы с аналитическими данными. Но тогда я понял, что для меня мало базовых основ аналитики. Поэтому для себя я открыл профессию Аналитик BI. И в настоящее время изучаю программу визуализации данных Tableau, программу для работы с базами данных SQL, прошел курс по аналитике больших данных (Big Data). К сожалению, на настоящем месте работы я не могу в полной мере применять аналитические знания и программы, которые я освоил. Поэтому задумался о смене профессии: хотел бы попробовать себя в финансовом секторе или крупном ритейле, чтобы погрузиться в мир аналитики».

Иван Натаровконсультант отдела развития предпринимательства Министерства экономического развития Приморского края:

«Будучи студентом магистратуры, проводил исследование инновационной экосистемы Приморского края, тогда познакомился с нейросетями и Data Science. Суть исследования заключалась в разработке алгоритма, основанного на нейросетях и теории нечеткого множества и нечеткой логики, который позволял бы давать объективную оценку инновационного развития региона. У нас это получилось, даже научную статью написали. 

Параллельно я изучал Data Science и посетил форум «Открытые инновации» в 2019 году. Послушав экспертов, я понял, что влюбился в эту сферу.

Я люблю узнавать истории из данных, поэтому и выбрал направление аналитики данных.

Я все еще учусь, но почти за год прокачался в этом направлении довольно неплохо. Из инструментов, что я изучил, любимыми стали  Python и Power BI, они смогли автоматизировать многие процессы в работе, активно чекаю их. Python больше использую для написания парсеров XML и HTML, Power BI — для предобработки данных и визуализации».

Факультеты и специальности выпускающие будущих финансовых аналитиков

Наш вуз почти 30 лет готовит востребованных дефицитных сотрудников всех профилей. Финансовые аналитики исключением не стали. Эта сфера открыта для выпускников:

  • Факультета «Бизнеса». Здесь мы растим специалистов инвестиционной сферы, топ-менеджеров с навыками стратегического планирования, невозможного без знания принципов денежного рынка.
  • Специальности «Финансы и кредит». Это «чисто финансовая» профессия, которая посвящена как раз грамотному анализу, прогнозам, изучению инструментария мирового рынка.
  • Специальности «Бухгалтерский учет, анализ и аудит». Специалисты этого направления разбираются в законах развития рынка, учатся находить, структурировать, использовать закономерности индустрии.
  • Факультета «Экономики». Финансы — одна из областей глобального экономического поля. Он полностью зависит от тенденций макро- и микроэкономики. На экономическом факультете оба направления изучаются наиболее глубоко.

Смежные профессии и альтернативы для финансовых аналитиков

Анализ — интересная, прибыльная, но кропотливая трудоемкая работа. Как быть, если профессиональный аналитик/прогнозист осознал отсутствие интереса к выбранной профессии после выпуска?

Один из плюсов спецификации — прикладной характер. Финансовый аналитик справится и с консалтинговой работой, и с управленческими задачами. Он может работать статистом, менеджером, маркетологом, рекламщиком. Аудит, контроль движения денежных потоков, формирования фонда ценных бумаг предприятия, разработка коммерческих предложений, отчетность — лишь малая часть функций, которую может взять на себя такой специалист.

Адрес поступления:

Ленинградский пр-т, д. 80, корпуса Е, Ж, Г.

Станция метро «Сокол», выход в центре зала на ул. Балтийская, далее пешком или на троллейбусе (№ 6, 43) до остановки «Институт Гидропроект» (1 остановка), у троллейбусного депо повернуть направо.

Контакты приемной комиссии:Телефон: +7 (495) 800 10 01

График работы приёмной комиссии:Пн — Пт: 08:30 — 22:10; Сб — Вс: 10:00 — 17:00;

Где получить знания в области обработки данных

Вузы

К сожалению, пока что в вузах очень мало обучают анализу данных. Есть несколько исключений:

  • Факультет компьютерных наук в Высшей Школе Экономики
  • Факультет инноваций и высоких технологий в МФТИ
  • Магистерская программа «Большие Данные» на факультете ВМиК МГУ
  • Магистерская программа по большим данным в СПБГУ

Конечно, и в других учебных программах также освещаются те или иные аспекты работы с данными. Но вузовские программы, которые готовят специалистов комплексно, на этом фактически исчерпываются. Неудивительно: отрасль совершенно новая, специалистов и преподавателей нет. Вузы, где все-таки вводятся программы по обработке данных, обычно делают это в сотрудничестве с крупными компаниями (например, «Яндексом»).

Некоммерческие курсы дополнительного образования

Так как на рынке наблюдается острый дефицит кадров – некоторые компании создают собственные учебные центры. Здесь может учиться любой желающий – нужно только сдать экзамены.

В этой категории можно смотреть на следующие курсы:

  • Школа Анализа Данных «Яндекса» – самый старый и самый известный центр подготовки кадров в области анализа данных. Занятия ведут сотрудники «Яндекса», а также преподаватели лучших вузов страны. Программа рассчитана на 2 года.
  • Техносфера Mail.Ru и факультета ВМиК МГУ – во многом аналогичная программа от второго интернет-гиганта, Mail.Ru. Также рассчитаная на 2 года.
  • Технопарк Mail.Ru и МГТУ им. Баумана – в отличие от «Техносферы», эти курсы больше рассчитаны на подготовку системных инженеров, однако курсу по анализу данных там тоже нашлось место. Срок обучения – 2 года.
  • Центр компьютерных наук – совместный проект Школы Анализа Данных «Яндекса», компании Jet Brains и школы №239 в Санкт-Петербурге. Срок обучения – также 2 года.
  • Петербургская школа данных– цикл лекций, посвященный большим данным, в Петербурге. Проект компании E-Contenta.

Коммерческие курсы

Есть несколько коммерческих программ, позволяющих расширить свой кругозор в области анализа данных. Их отличительные черты – короткий срок обучения и большая направленность на прикладное применение технологий.

Тут можно вспомнить следующие проекты:

  • Курс Специалист по большим данным» от «Лаборатории Новых Профессий». Длится 3 месяца, состоит из 2 модулей, первый из которых посвящен технологиям больших данных и машинному обучению, а второй –рекомендательным системам. Стоимость курса – 180 тысяч рублей, предусмотрены различные скидки и рассрочки.
  • Школа данных Билайна» – курс, в первую очередь, посвящен Machine Learning Продолжительность обучения – 9 недель, стоимость – 100 тысяч рублей.

Онлайн-образование

В последнее время отрасль онлайн-образования переживает настоящий бум, и на ресурсах вроде Coursera, Edx, Stepic и Udacity можно найти огромное число курсов по обработке данных. Большинство – англоязычные (кстати, знание английского языка очень полезно в нашей области), но есть и несколько русскоязычных:

  • Специализация «Машинное обучение и анализ данных» на Coursera;
  • «Введение в машинное обучение» на Coursera;
  • «Анализ данных в R» на Stepic.

Какие качества нужны, чтобы успешно работать аналитиком

1. Любовь к тишине и одиночеству

Работа аналитика по большей части заключается в том, чтобы взаимодействовать с компьютером, а не с людьми. Аналитик, если он не руководитель подразделения, мало общается даже с коллегами, не говоря уже о клиентах. Он не проводит встреч, его рабочий день проходит у монитора за обработкой данных. Есть люди, которым обязательно нужно общение — им такая работа не подойдёт!

2. Развитый логико-математический интеллект

Важно, чтобы человеку нравилось оперировать статистическими данными, составлять графики и таблицы, видеть закономерности, структурировать информацию, выделять главное, отбрасывать второстепенное

3. Терпение

Аналитик — профессия не творческая. Каждый день аналитику приходится заниматься одним и тем же: сбором, анализом, оценкой данных. Эта работа очень похожа на главное увлечение моего детства — собирание пазлов. Мне доставляло удовольствие взять набор непонятных разрозненных деталей и часами собирать из них что-то целостное, разумное, имеющее смысл. Так же работают и аналитики.

4.Точность и скрупулёзность

Аналитик по большей части имеет дело с точными категориями: данными, цифрами, алгоритмами. Составляя запросы, нужно совершать как можно меньше ошибок и максимально точно подбирать аудиторию.

5. Внимательность

Аналитик должен учитывать все факторы, которые могут повлиять на результат анализа, не упустить ни одной важной детали, иначе на выходе он получит неверные данные и сделает ошибочные выводы

Карьера, график работы, зарплата

Карьера. Внутри компании можно из простого аналитика стать тимлидом, руководителем подразделения и развиваться в направлении менеджмента — разрабатывать и курировать собственные продукты, придумывать стратегии их развития.

Можно совершенствовать навыки программирования, повышать свою квалификацию как аналитика данных, переходить в более крупные компании, на более востребованное и престижное направление, заниматься дата-моделированием, большими данными (big data), делать прогнозы и предсказания.

График работы. Аналитики в офисе работают по обычному графику с 9:00 до 18.00 или с 10:00 до 19:00. Иногда приходится задерживаться на работе, но это зависит от нагрузки конкретного аналитика.

Аналитик может работать и удалённо: консультировать заказчиков, которым необходим анализ данных, писать приложения. Всё, что ему для этого нужно — компьютер или ноутбук, выход в интернет и доступ к базам данных.

Зарплата. Зарплата аналитика зависит от его опыта и квалификации, от компании, в которой он работает. В начале карьерного пути я получала 45 тысяч рублей, сейчас зарабатываю больше.

Средняя зарплата аналитика в Москве — 70 тысяч рублей. Начинающий аналитик сразу после окончания вуза может получать от 25 тысяч рублей.

Выбор между колледжем ВУЗом магистратурой

Несправедливо утверждение, что бакалавры априори имеют больше шансов устроиться в аналитический отдел, чем колледжисты. А магистраты «обречены» на должность старшего специалиста, пока держатели бакалаврского диплома осваивают должность младшего сотрудника. Но практика трудоустройства наших выпускников демонстрирует более выгодное положение специалистов с высшим образованием.

Колледж станет отличным полем для быстрого старта: не придется пропускать год из-за высокого конкурса на экономические специальности. Бакалавриат — оптимальный путь для тех, кто окончательно определился с предпочтением финансового анализа. Магистратуру стоит выбрать носителям экономической профессии, не связанной с валютным/денежным рынком. Такой подход значительно расширит перспективное поле работы студента.

Кто такой аналитик

Аналитик — специалист, который занимается обработкой данных и составлением на их основе прогнозов, стратегий, планов и рекомендаций клиентам.

Существует несколько профессий, в названии которых также есть слово «аналитик» — финансовые аналитики, программные аналитики, системные аналитики. Все они занимаются анализом той или иной информации, но не обязательно используют в своей деятельности математику, статистику и языки программирования. Их нужно отличать от отдельной профессии «аналитик данных».

Аналитик данных должен хорошо разбираться в математике, статистике, информатике, компьютерных науках, бизнесе и экономике.

Данные, которые обрабатывает аналитик, зависят от сферы деятельности, которой он занимается. Например, аналитик в области рекламы определяет целевую аудиторию для рекламных кампаний: составляет алгоритм, с помощью которого ищет в базах данных информацию о потенциальных клиентах, анализирует рекламные стратегии с точки зрения отклика, оценивает показатели эффективности кампаний.

Яндекс Метрика

Знакомство с Яндекс Метрикой (одно видео)Яндекс Метрика за 30 секунд (10 коротких видео про настройки и инструменты) Основы работы с Яндекс.МетрикойСоздание и настройка счетчика метрикиТермины и определения Справочник Яндекс МетрикиШкола МетрикиМодели атрибуций в Яндекс МетрикеСегментация в Метрике (11 видео)Гид по Метрике: как проверить работу целиЦели в Яндекс.Метрике (2019)Инструкция по настройке расширенной электронной торговли в Яндекс МетрикеКак правильно внедрить Яндекс Метрику через Google Tag ManagerКак продублировать цели из Яндекс.Метрики в Google Analytics: Перехват метода reachGoalClientID в Яндекс.Метрике

В чем суть выполняемых аналитиком задач?

В деятельности каждой компании есть много бизнес-процессов, и чем крупнее бизнес, тем их больше. Каждый процесс использует и порождает информацию, которую надо учитывать и контролировать. Например, на производственном предприятии план продаж порождает производственный план, который, в свою очередь, определяет план закупок (на основе потребностей производства в материалах и комплектующих). Заказы на закупку формируются на основе норм расхода материалов (эти данные содержатся в описании техпроцессов), с учетом наличия материала на складе. Процессы производства и продаж — от отпуска материалов со склада до отгрузки готовой продукции —  сложны и нуждаются в качественном управлении и учете. Разумеется, это касается любых компаний всех  отраслей — от производства до сферы услуг.

Ручное управление бизнесом давно в прошлом, сейчас на рынке огромное количество информационных систем, облегчающих жизнь и владельцам бизнеса, и рядовым сотрудникам. На каждом уровне свои задачи — руководитель хочет контролировать, например, финансовые потоки, а специалист в отделе продаж — иметь актуальную клиентскую базу. Требования на всех уровнях может удовлетворить внедрение одной или объединение нескольких информационных систем. Вот здесь и начинается работа аналитика — определить перечень автоматизируемых процессов, найти в них узкие места (как известно, прочность цепи определяется прочностью самого слабого звена), найти пути устранения узких мест, выбрать платформу (систему), определить объем необходимых доработок и т.д.

Круг задач бизнес-аналитика достаточно широк, и зависит, главным образом, от того, на каком этапе проекта аналитик трудится. Как правило, в проектах внедрения информационных систем участвует несколько аналитиков, и каждый отвечает за свою функциональную область. На старте проекта аналитик должен изучить бизнес-процессы заказчика (и желательно задокументировать с помощью функциональных схем), и проработать совместно с заказчиком его требования, на основе которых будет составлено Техническое задание. После утверждения ТЗ начинается этап моделирования (или дизайна), где аналитик разрабатывает модель процессов «как должно быть». После обсуждений, поиска узких мест в моделях, многократных «так не делается» и «это не будет работать» от системных аналитиков, бизнес-аналитик рисует макеты интерфейсов будущей системы и пишет постановки задач разработчикам. На этапе разработки аналитик тоже задействован, поскольку необходимо тестировать то, что сделал разработчик, сопоставлять это с ожиданиями заказчика (и своими тоже), уточнять требования, корректировать ТЗ (а иногда писать несколько дополнительных ТЗ), и т.д. По завершению разработки аналитик пишет сценарий приемо-сдаточного тестирования системы (или ПМИ — программа и методика испытаний), согласно которой Заказчик принимает разработку, и начинается этап внедрения. На этом этапе аналитик тесно работает с пользователями — обучает, отвечает на вопросы, консультирует специалистов своей функциональной области, при необходимости — пишет инструкции и руководства пользователя. На заключительном этапе, когда система запущена в промышленную эксплуатацию, аналитик принимает активное участие в сопровождении системы, потому что невозможно предусмотреть все заранее, и некоторые недоработки всплывут только сейчас. Аналитик изучает проблему, ищет варианты решения, и снова пишет постановки задач разработчикам (или новые технические задания, зависит от степени избалованности разработчиков).

Европейский университет в Санкт-Петербурге

Чему мы учим?

В 2020 году Европейский университет и Яндекс запустили программу дополнительного профессионального образования ПАНДАН (Прикладной АНализ ДАНных). Мы пригласили абитуриентов с гуманитарным образованием, чтобы они за восемь месяцев освоили основы классической статистики, машинного обучения, NLP и компьютерного зрения и научились работать с разными типами данных.

В 2021 году помимо программы дополнительного образования запустится магистерская программа ПАНДАН, где студентов ждёт более глубокое изучение алгоритмов и программирования, больше проектной работы и практики, плюс 25 факультативных курсов на выбор с любого направления Европейского университета. Всего на программе будет 10 мест.

Учебный план ПАНДАН основан на проектной работе и отвечает реальным научным потребностям антропологов, историков, историков искусства и других исследователей, которые мало знакомы с современными методами работы с данными. В общественных и гуманитарных областях есть много ценного, например, Госкаталог с информацией о всех музейных фондах страны, оцифрованные данные архивов, рукописи, дневники, письма, базы государственных ведомств. Кроме того, постоянно появляются и накапливаются цифровые следы: данные о маршрутах, репосты, новости. Вся эта информация, если уметь поставить к ней правильные вопросы, может послужить основой для неожиданных выводов об устройстве повседневной жизни и реальном положении дел в разных сферах — от криминологии до атрибуции картин.

Для первого набора выбраны четыре проекта:

  • Бомбардировки Ленинграда — совместно с факультетом истории. Магистранты создадут карту бомбардировок города в сентябре 1941-го и узнают, какие цели были поражены в первую очередь и как это сказалось на жизни города.
  • Госкаталог — совместно с факультетом истории искусств. Студенты приведут в порядок фонд, в котором хранится четверть музейных объектов со всей страны, так, чтобы он стал удобным инструментом для исследователей.
  • Еврейские надгробия — совместно с центром «Петербургская иудаика». Студенты создадут инструменты для распознавания, расшифровки и перевода базы из тысяч фотографий еврейских надгробий на территории бывшей черты оседлости.
  • Дневники подростков — совместно с центром эго-документов «Прожито». Студенты научатся смотреть на дневники подростков как на данные: оцифровывать их с помощью распределённых команд и Яндекс.Толоки и сравнивать по эпохам.

В будущем планируется ещё один проект, связанный с геоданными и безопасностью дорог. Над каждым из проектов будут работать 4–5 слушателей плюс кураторы из Европейского университета и Яндекса. В конце учебного года проектные группы представят готовые продукты, обладающие научной ценностью.

Знания в области статистики и машинного обучения

Курс «Основы статистики»

Язык: русский.

Уровень: начальный.

На курсе изучают подходы к описанию данных, полученных в ходе исследований, базовые понятия статистического анализа, интерпретацию и визуализацию полученных данных. Основной акцент делается на математических идеях, интуиции и логике, которые обуславливают методы и расчётные формулы.

Курс «Алгоритмы: теория и практика. Методы»

Язык: русский.

Уровень: средний.

Требования: знания в области одного из языков программирования: циклы, массивы, списки, очереди.

В курсе разбираются базовые алгоритмические методы: «жадные» алгоритмы, метод «разделяй и властвуй», динамическое программирование. Для всех методов преподаватели показывают математическое доказательство корректности и оценки времени работы.

Также на курсе рассказывают об особенностях реализации алгоритмов на C++, Java и Python. Большинство алгоритмов, которые рассматриваются на курсе, необходимо запрограммировать в рамках выполнения заданий.

Курс «Введение в описательную статистику»

Язык: английский.

Уровень: начальный.

Слушатели курса познакомятся с основными понятиями, используемыми для описания данных. Преподаватели расскажут о методах исследований, научат вычислять и интерпретировать статистические значения, вычислять простые вероятности. Студенты изучат законы распределения и научатся управлять ими для создания вероятностных прогнозов данных.

Курс «Введение в статистический вывод»

Язык: английский.

Уровень: начальный.

Требования: прохождение курса «Введение в описательную статистику».

Курс посвящён изучению вывода неочевидных данных. Студенты изучат оценку параметров с использованием выборочной статистики, научатся тестировать гипотезы и доверительные интервалы. Преподаватели объяснят работу t-критерия и дисперсионный анализ, корреляцию и регрессию, а также другие методы проверки статистических гипотез.

Курс «Введение в науку о данных»

Язык: английский.

Уровень: средний.

Требования: базовые навыки программирования на Python.

Слушатели курса изучат основные понятия науки о данных: управление данными, анализ данных с помощью методов статистики и машинного обучения, передача и визуализация информации, работа с большими данными.

Курс «Введение в машинное обучение»

Язык: русский.

Уровень: средний.

Требования: знание основ математики (функции, производные, векторы, матрицы), навыки программирования на Python.

На курсе рассматриваются основные типы задач, решаемых с помощью машинного обучения: классификация, регрессия и кластеризация. Слушатели научатся оценивать качество моделей и решать, подходит ли модель для решения конкретной задачи. Преподаватели расскажут о современных библиотеках, в которых реализованы изучаемые модели и методы оценки их качества.

Курс «Науки о данных: визуализация»

Язык: английский.

Уровень: начальный.

В курсе изучаются основы визуализации данных и анализа поисковых данных. Слушатели научатся использовать пакет R ggplot2 для создания пользовательских графиков. Также преподаватель расскажет об основных ошибках, которые допускаются при работе с данными.

Курс «Введение в искусственный интеллект»

Язык: английский.

Уровень: начальный.

Требования: практические задания основаны на Microsoft Azure и требуют подписки Azure.

Слушатели курса узнают, как использовать машинное обучение для построения прогностических моделей. Преподаватели курса расскажут, какое программное обеспечение необходимо для обработки и анализа естественного языка, изображений и видео. Также студенты научатся создавать интеллектуальных чат-ботов.

Курс «Машинное обучение»

Язык: английский.

Уровень: начальный.

Слушатели курса узнают об эффективных методах машинного обучения и получат практические навыки их реализации. Также преподаватели расскажут о лучших практиках Кремниевой долины в области машинного обучения и искусственного интеллекта.

Курс даёт широкое введение в машинное обучение, интеллектуальный анализ данных и распознавание статистических моделей. Курс основывается на тематических исследованиях и практическом опыте — студенты узнают, как использовать алгоритмы обучения для построения «умных» роботов, анализировать текст, получат навыки в области компьютерного зрения, медицинской информатики, аудио, интеллектуального анализа баз данных и других областей.

Google Analytics

Начало работы с Google АналитикойGoogle Analytics для начинающих: самое полное руководство в РунетеНаглядно об интерфейсе отчетов Google АналитикиЗнакомство с Google Analytics для новичковЧек-лист настройки Google Analytics 4 способа загрузить рекламные расходы в Google AnalyticsОсновы Google Analytics и Google Tag Manager (16 видео-уроков от Adventum) Основы Google Analytics и Google Tag Manager. Настройка отчетов о каналах и аудитории (6 видео-уроков от Adventum) Пошаговые руководства от Google по настройке GA Выгрузка данных из Google Analytics в Google SheetsКак в Google Analytics отобразить полный адрес страницыПолное руководство по пользовательским метрикам в Google AnalyticsГайд по настройке целей в Google Analytics: обучение простыми словамиКак фиксировать максимум реальных ClientID Google AnalyticsСобственная группа каналов в Google Analytics Данные без сэмплирования из Google Analytics c автообновлениемНастройка расширенной электронной торговли в GAАнализ расходов в Google AnalyticsАвтоматизация отчетов в Google AnalyticsClient ID в Google Analytics: что это такое и как настроитьКак не “засорять” счетчик Google Analytics при отладке на этапе внедренияКак использовать Google Analytics API для создания отчетов (видео)API Google Analytics – знакомство и создание собственного приложения

Бонус: что почитать и на кого подписаться, чтобы больше узнать о Big Data и Data Analytics

После окончания курса обучение не заканчивается. Чтобы стать настоящим профессионалом, нужно продолжать учиться дальше. В этом помогут книги по специальности и подписка на профильные Телеграм-каналы.

Книги:

  • Алистер Кролл, Бенджамин Йосковиц, «Lean Analytics ». 
  • Уэс Маккинни, «Python и анализ данных».
  • Жерон Янссенс, «Data Science at the Command Line».
  • Джей Крепс, «I heart logs» .
  • Chris Albon, «Машинное обучение и Python. Практические решения для всего: от предварительной обработки данных до глубокого обучения».

Телеграм-каналы:

  • WebAnalytics — канал Дмитрия Осиюка с самым интересным контентом по веб-аналитике.
  • MarkeTech — канал о применении современных технологий в маркетинге от MarTech Analyst в MacPaw.com
  • «Data Science и все такое» — канал для тех, кто вообще не разбирается в основах аналитики. Контент публикуется с юмором и простым языком по тематике анализа данных, машинного обучения, нейросети, искусственного интеллекта.
  • Machine Learning World — лучший канал о машинном обучении на английском.
  • «Под капотом «Яндекс.Такси»» — полезный контент об аналитике, data science и технологиях в «Яндекс.Такси».

Также можно вступить в группы Facebook и общаться с другими аналитиками:

  • Help for Data Analysis by R, SPSS, STATA;
  • Data Analyst;
  • Statistical Data Analysis.

И просто интересно про Big Data. Интервью со специалистом по Big Data Артуром Хачуяном.

Артур Хачуян | Tazeros Global | SocialDataHub| BigData | как за нами следят через большие данные?

Цель — учиться эффективнее и бесплатно

Мне помогло то, что до этого я сформировал привычки к самообразованию, а экономность не позволила мне пойти по самому простому пути: найти онлайн курс с именитыми преподами, заплатить им много денег и довериться, что они всему научат лучше всего. В итоге я перебирал много бесплатно доступных книг и курсов (книги часто были найдены на b-ok.org). Из всех курсов и книг отбирал самые лучшие, забрасывая то, что казалось слишком теоретизированными или плохо структурированным.

На основе этих десятков книг и курсов я и сформировал то мнение, которым хочу поделить. Вероятно, существует еще более эффективный и быстрый способ научится этому всему. То, как учился я, было всего-лишь быстрее большинства платных программ, которые я видел, и заодно бесплатным (на многие лучшие англоязычные курсы всегда можно записаться бесплатно; покупал я только книги русских авторов и пару книг, которые иначе не смог найти).