Skip to content

Latest commit

 

History

History
35 lines (31 loc) · 9.19 KB

README.md

File metadata and controls

35 lines (31 loc) · 9.19 KB

Data analyst

Описание:

В репозитории представлены проекты курса Аналитик данных (Яндекс.Практикум).

Основные инструменты и навыки, полученные при обучении:

  • Языки: Python, SQL
  • Анализ данных: библиотеки Pandas, NumPy, SciPy, Statsmodels
  • Визуализация: Matplotlib, Plotly, Seaborn
  • Построение дашбордов: Tableau
  • Метрики юнит-экономики, когортный анализ
  • А/В-тестирование
  • Работа с гипотезами
  • Машинное обучение: библиотеки Scikit-learn, XGBoost

Программа обучения:

-

Проекты:

Название и ссылка О чем проект Навыки и инструменты
1 Вводный проект. Музыка больших городов Сравниваем данные пользователей Яндекс.Музыки по городам и дням недели Python Pandas
2 Исследование надежности заемщиков Разбираемся, влияет ли семейное положение и количество детей клиента на факт погашения кредита в срок. Анализируем данные о клиентах банка и определяем долю кредитоспособных предобработка данных Python Pandas
3 Исследование объявлений о продаже квартир Исследуем архив объявлений о продаже объектов недвижимости в Санкт-Петербурге и Ленинградской области (основные свойства данных, поиск закономерностей, распределений и аномалий) Python Pandas Matplotlib предобработка данных исследовательский анализ данных визуализация данных
4 Определение перспективного тарифа для телеком-компании Делаем предварительный анализ тарифов на небольшой выборке клиентов. Анализируем поведение клиентов и делаем вывод, какой тариф лучше Python Pandas Matplotlib NumPy SciPy проверка статистических гипотез описательная статистика
5 Сборный проект 1. Анализ рынка продаж компьютерных игр Ищем закономерности в данных о продаже игры и выявляем те, которые определяют их успешность. Это позволият сделать ставку на потенциально популярный продукт и спланировать рекламные кампании Python Pandas NumPy Matplotlib предобработка данных исследовательский анализ данных описательная статистика проверка статистических гипотез
6 Базовый SQL Пишем ряд запросов разной сложности к базе данных, в которой хранятся данные по венчурным инвесторам, стартапам и инвестициям в них SQL PostgreSQL
7 Анализ бизнес-показателей развлекательного приложения На основе данных изучаем поведение пользователей, а также анализируем доходность клиентов и окупаемость рекламы, чтобы предложить рекомендации для отдела маркетинга Python Pandas Matplotlib когортный анализ юнит-экономика продуктовые метрики Seaborn
8 Продвинутый SQL С помощью Python и SQL подключаемся к базе данных, считаем и визуализируем ключевые метрики сервис-системы вопросов и ответов о программировании SQL PostgreSQL
9 Принятие решений в бизнесе Анализируем результаты A/B-тестирования в крупном интернет-магазине, приоритизируем гипотезы Python Pandas Matplotlib SciPy A/B-тестирование проверка статистических гипотез
10 Сборный проект 2. Анализ поведения пользователей мобильного приложения Исследуем воронку продаж и анализируем результаты A/A/B-тестирования в мобильном приложении Python Pandas Matplotlib SciPy A/B-тестирование проверка статистических гипотез Seaborn событийная аналитика продуктовые метрики Plotly визуализация данных
11 Исследование рынка общественного питания Исследование рынка на основе открытых данных о заведениях общественного питания Москвы Python Pandas Matplotlib Seaborn Plotly визуализация данных
12 Дашборд для Яндекс.Дзена и Презентация Разрабатываем и презентуем дашборд для анализа пользовательского взаимодействия в сервисе Яндекс.Дзен (Tableau Public) Python PostgreSQL Tableau продуктовые метрики построение дашбордов
13 Прогнозирование оттока клиентов сети фитнес-центров Разрабатываем модель машинного обучения для прогнозирования оттока клиентов в фитнес-центре. Наша задача — провести анализ, составить портреты клиентов и подготовить план действий по их удержанию Python Pandas Scikit-learn Matplotlib Seaborn машинное обучение классификация кластеризация
14 Выпускной проект. Банки — cегментация пользователей по потреблению продуктов, Презентация и Дашборд; А/B тестирование, SQL Анализируем заемщиков банка (результат оформляем в виде Презентации), проверяем результаты А/B тестирования и подтверждаем гипотезы, разрабатываем дашборд в Tableau Public. изучаем мобильное приложение посредством SQL-запросов. SQL PostgreSQL Python Pandas Scikit-learn Matplotlib Seaborn машинное обучение классификация кластеризация Tableau продуктовые метрики построение дашбордов A/B-тестирование проверка статистических гипотез