[Яндекс Практикум] Как стать аналитиком данных. Часть 6/6

Аналитик данных извлекает из данных смысл: структурирует их, формулирует и проверяет гипотезы, находит закономерности и делает выводы. Его работа помогает принимать решения в бизнесе, управлении и науке. На курсе мы хотим научить вас пользоваться основными инструментами для получения профессии: Python и его библиотеки, Jupyter Notebook, SQL. 71,1% выпускников трудоустраиваются Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы. 71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников. Часть 6 Автоматизация Основы запуска скриптов Введение Основы работы с командной строкой Доступ к командной строке на вашей локальной машине Основные команды для работы с консолью Настройка учетной записи в Яндекс.Облако Установка Python на локальной машине Запуск скрипта из командной строки Запуск скрипта из командной строки в Яндекс.Облаке Запуск скрипта по расписанию Памятка по отладке cron. Заключение Что такое дата-пайплайны и зачем они нужны Введение Дата-пайплайны для автоматизации дащбордов Агрегация данных и создание таблиц в БД Вертикальные и горизонтальные таблицы Создание скрипта пайплайна Заключение Проектирование и разработка дашбордов в dash. Введение Дашборды Сбор требований при создании дашборда Как создавать основные типы график в dash Основы работы с элементами управления Базовые элементы управления в dash Элементы управления и интерактивность Элементы дашборда Разработка дашборда, основы композиции Запуск дашборда на локальной машине Запуск дашборда на виртуальной машине Заключение Tableau Введение Начало работы с Tableau Public Как работать с Tableau Подготовка данных Таблицы и простые вычисления Фильтры Публикация дашборда. Простые графики Линейные графики и области с накомлением Специальный типы графиков Сборка дашборда Заключение Проектная работа Часть 1. Составления технического задания Часть 2. Создание дашборда Прогнозы и предсказания Введение Задачи машинного обучения в бизнесе Введение Что такое обучение? Введение в прогнозирование и машинное обучение Обучение с учителем Обучение без учителя Обучение модели в Python. Библиотека sklearn. Тестовая, валидационная и обучающая выборки Нелообучение и переобучение Разделяй и валидируй Пайпланй машинного обучения Почему машинное обучение - не панацея? Заключение Алгоритм машинного обучения Введение Линейная регрессия и функция ошибки Градиентный спуск Предобработка. Масштабирование признаков Регуляризация Реализация линейный моделей Метрики регресии Логистическая регрессия Метрики классификации. Работа с метками. Метрики классификации. Смотрим на вероятности. Порог и баланс классов Дерево принятия решений Ансамбль деревьев: случайный лест и градиентный бустинг. Алгоритмы обучения без учителя: кластеризация При чем здесь расстояние? K-Means и агломеративная иерархическая кластеризация Метрики для задачи обучения без учителя Заключение Процесс решения задач машинного обучения Введение Постановка задачи EDA. Анализ качества признаков EDA. Формулировка гипотез Предварительная обработка данных Random и time split. Выбор метрик Выбор модели машинного обучения Обучаем модели и выбираем лучшую Важность признаков Заключение. Проектная работа(Проект) Заключение.