Анализ данных в индустрии

Расскажем о правилах курса и о том, как получить зачет автоматом

• для чего нужен SQL и как писать запросы
• структура баз данных, ключи и историчность
• откуда берутся данные и как применять SQL в бизнесе

• о том, как построить функцию
• о библиотеках и работе с данными

• для чего нужна визуализация
• типы визуализации
• разберем хорошие и плохие примеры визуализаций

•  контекст работы с метриками
•  количественные пользовательские метрики
•  относительные и сложные метрики
•  сегментация когорты, статика и динамика

• оценка параметров
• предсказательные и доверительные интервалы
• основы теории вероятностей и математической статистики

• точки роста и гипотезы — как они появляются
• что такое АБ-тест и зачем он нужен
• статистическая и практическая значимость
• практика на Python: объясним, как запускаются АБ-тесты

• проверка статистических гипотез
• основные понятия, критерии
• способы сравнения критериев
• поправка на множественные сравнения

• рассмотрим кейсы с изменениями метрик
• поиск причин изменения метрики
• метрики продукта и метрики роста
• смещенность выборки
• расскажем, что делать, если невозможно принять решение по цифрам
• целеполагание

• какие модели используют аналитики и зачем
• простейшие прогнозирующие
• выбор параметров модели
• финансовые модели
• модели роста

• введение и особенности данных
• основные метрики
• предиктивный интерфейс

• линейные и логистические регрессии
• градиентный спуск и корреляция

• введение в машинное обучение
• что такое дерево решений
• обучение деревьев — метрики качества
• подготовка данных для обучения
• примеры использования в Тинькофф — практический пример в Python

Для студентов мехмата МГУ и ФИТиП, кто не успеет получить автомат