Анализ данных в индустрии

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

• Как писать запросы
• Структура баз данных. Ключи, историчность
• Откуда берутся данные, источники

• Способы представления информации. Разновидности графиков и диаграмм и их применения
• Визуализация в Excel и в Python
• Конверсии: какие показательные, а какие нет

• Точки роста и гипотезы — как они появляются
• Что такое АБ-тест и зачем он нужен
• Статистическая и практическая значимость
• Практика на Python: как запускаются АБ-тесты

• Проверка статистических гипотез, основные понятия, критерии
• Способы сравнения критериев
• Поправка на множественные сравнения

• Обработка результатов эксперимента, подсчет его статистической и практической значимости
• Доработка сломанного АБ-теста. Поиск корректного сегмента. Статистические выбросы
• Примеры проверки гипотез для ненормально распределенных величин. Бутсреп
• Построение доверительных интервалов

• Как интерпретировать результаты аналитики
• Какие графики нужны, чтобы принимать правильные решения
• Типичные ошибки в выводах

• Какие используют аналитики и зачем — с примерами
• Простейшие прогнозирующие
• Выбор параметров модели
• Финансовые модели
• Модели роста

Построение модели предсказания дефолта на основе логистической регрессии, реальный пример

• Введение и особенности данных
• Основные метрики
• Работа в Amplitude: юзер-кейсы
• Предиктивный интерфейс

• 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