Рабочая инфраструктура с актуальными инструментами
KARPOV.COURSES
01
дней
02
часов
03
минут
04
секунд
каждый месяц
2 месяца
> Вы погрузитесь в полноценный рабочий процесс
> Узнаете, с какими задачами ежедневно сталкиваются аналитики
> Получите прикладной опыт выстраивания полного цикла аналитических процессов
Симулятор аналитика — это 2 месяца практики на реальных задачах с полным стеком технологий для анализа данных и настоящей инфраструктурой.
Подробнее смотрите в видео
Последние обновления
- Добавили два новых урока: «Прогнозирование метрик» и «Sample Size MDE»
- Разработали инструкцию по Git для тех, кто еще не знаком с инструментом
- Оптимизировали график выхода уроков и дедлайнов
Кстати, все обновления доступны предыдущим потокам!
для кого эта программа >>
Освоили базу, хотите получить опыт работы над реальными бизнес-задачами.
Начинающие аналитики
Уже работаете аналитиком и хотите узнать, как senior специалисты подходят к решению задач.
Аналитики с опытом работы
что нужно знать //
Понимаете базовые структуры данных и владеете библиотеками Pandas, Matplotlib, Statsmodels, желательно — NumPy, SciPy, Seaborn
Знаете основы математической статистики (доверительные интервалы, t-тест, непараметрические методы)
Умеете работать с репозиторием и использовать команды pull, add, commit, push
Знаете операторы SELECT, WHERE, GROUP BY, HAVING, JOIN и умеете составлять базовые запросы
PYTHON
SQL
Git
СТАТИСТИКА
Доступно в тарифе «Получить практику и помощь в карьере”
будет плюсом
чему вы научитесь >>
BI-аналитика
— Работать с репозиторием через GitLab
— Работать с ClickHouse через Redash
— Подключаться к базам данных через Jupyter Notebook
— Создавать продуктовые дашборды в Superset
— Рассчитывать Retention для различных когорт, и использовать эту метрику для проверки продуктовых гипотез
Автоматизация процессов
— Организовывать ETL-процессы при помощи Airflow
— Создавать телеграм-бота и настраивать автоматическую отправку аналитической сводки в телеграм
— Писать систему алертов для приложения для отслеживания резких изменений в продуктовых метриках
Статистика и А/B-тесты
— Оценивать корректность работы системы сплитования при помощи симуляции А/Атестов
— Анализировать A/B-тесты с помощью классических и специализированных статистических методов
— Исследовать данные и распределения, чтобы верно выбирать стат. критерий
— Оценивать размер выборки методом Монте-Карло
— Пользуясь библиотекой Orbit, обучать, валидировать и сравнивать прогнозные модели
— Анализировать неэкспериментальные данные с помощью метода CausalImpact
BI-аналитика
— Работать с репозиторием через GitLab
— Работать с ClickHouse через Redash
— Подключаться к базам данных через Jupyter Notebook
— Создавать продуктовые дашборды в Superset
— Рассчитывать Retention для различных когорт, и использовать эту метрику для проверки продуктовых гипотез
Статистика и А/B-тесты
— Оценивать корректность работы системы сплитования при помощи симуляции А/Атестов
1/3
— Анализировать A/B-тесты с помощью классических и специализированных статистических методов
— Исследовать данные и распределения, чтобы верно выбирать стат. критерий
Автоматизация процессов
— Оценивать размер выборки методом Монте-Карло
— Организовывать ETL-процессы при помощи Airflow
— Пользуясь библиотекой Orbit, обучать, валидировать и сравнивать прогнозные модели
— Создавать телеграм-бота и настраивать автоматическую отправку аналитической сводки в телеграм
— Писать систему алертов для приложения для отслеживания резких изменений в продуктовых метриках
— Анализировать неэкспериментальные данные с помощью метода CausalImpact
2/3
3/3
какие задачи вы будете решать //
ЗАПУСК A/B-ТЕСТА
Мы продумали дизайн эксперимента, и теперь нужно проверить корректность работы системы сплитования. Выбери подходящий статистический метод и проанализируй полученные результаты.
BI-ДАШБОРД
Менеджеры просят обеспечить их отчётностью. Помоги нам построить realtime дашборд с продуктовыми метриками поверх таблиц в Clickhouse.
ETL-ПАЙПЛАЙН
У нас есть много разных источников данных, которые используются для расчёта ключевых метрик. Давай построим ETL-пайплайн на Airflow, чтобы все источники обрабатывались автоматически без нашего активного участия.
ПОИСК АНОМАЛИЙ
Вчера в данных было замечено аномальное падение просмотров, и мы его пропустили. Помоги нам разработать систему, которая сможет автоматически детектировать такие аномалии.
Запуск A/B-теста
Мы продумали дизайн эксперимента, и теперь нужно проверить корректность работы системы сплитования. Выбери подходящий статистический метод и проанализируй полученные результаты.
BI-ДАШБОРД
Менеджеры просят обеспечить их отчётностью. Помоги нам построить realtime дашборд с продуктовыми метриками поверх таблиц в Clickhouse.
ПОИСК АНОМАЛИЙ
Вчера в данных было замечено аномальное падение просмотров, и мы его пропустили. Помоги нам разработать систему, которая сможет автоматически детектировать такие аномалии.
ETL-ПАЙПЛАЙН
У нас есть много разных источников данных, которые используются для расчёта ключевых метрик. Давай построим ETL-пайплайн на Airflow, чтобы все источники обрабатывались автоматически без нашего активного участия.
КАК ПРОХОДИТ ОБУЧЕНИЕ //
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Выполняйте задания на реальных данных и сдавайте на проверку
— Получайте индивидуальную обратную связь на ваше решение от опытных аналитиков
— Изучайте эталонные решения от авторов и перенимайте подход у senior-специалистов
— Обсуждайте задачи с экспертами и другими участниками
— Представьте, что вы устроились на стажировку в компанию
— Выполняйте задания на реальных данных и сдавайте на проверку
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Изучайте эталонные решения от авторов и перенимайте подход у senior-специалистов
— Обсуждайте задачи с экспертами и другими участниками
— Получайте индивидуальную обратную связь на ваше решение от опытных аналитиков
Руководил командой аналитики в отделе бизнеса и рекламы VK
Специализируется на статистике, A/B-тестировании, машинном обучении и построении аналитических хранилищ данных
Автор онлайн-курсов по анализу данных на платформе Stepik, на которых обучаются более 200 тысяч студентов
МАРИЯ КОРНЕВА
Senior аналитик в VK
Разрабатывала модели машинного обучения для предсказания оттока пользователей в Рокетбанке. В VK в команде Анатолия Карпова внедрила систему алертов для поиска аномалий в продуктовых метриках. Отвечала за продуктовую аналитику в стартапе Sumsub. Сейчас является руководителем группы продуктовой аналитики VK.
Ян Пиле
Руководитель группы аналитики Wildberries
Преподаватель Python и прикладной статистики на программах профессиональной переподготовки Факультета компьютерных наук НИУ ВШЭ.
Алексей Баталов
Аналитик команды аналитических продуктов Яндекса
Занимался продуктовой аналитикой в⦁таких сервисах, как Яндекс. Метрика, Яндекс. Радар, AppMetrica, Яндекс ОФД. За⦁время работы в⦁компании настроил обработку потоков больших данных и⦁развил инфраструктуру для⦁автоматизации отчётности и⦁рутинных задач.
Александр Манаенков
Эксперт трека по аналитике данных в karpov.courses
Помимо работы в karpov.courses работаем младшим научным сотрудником в ИВНД РАН, где занимается анализом физиологических временных рядов в контексте стресса и цикла сна/бодрствования
Руководил командой аналитики в отделе бизнеса и рекламы VK
Специализируется на статистике, A/B-тестировании, машинном обучении и построении аналитических хранилищ данных
Автор онлайн-курсов по анализу данных на платформе Stepik, на которых обучаются более 200 тысяч студентов
МАРИЯ КОРНЕВА
Разрабатывала модели машинного обучения для предсказания оттока пользователей в Рокетбанке. В VK в команде Анатолия Карпова внедрила систему алертов для поиска аномалий в продуктовых метриках. Отвечала за продуктовую аналитику в стартапе Sumsub. Сейчас является руководителем группы продуктовой аналитики VK.
ЯН ПИЛЕ
Преподаватель Python и прикладной статистики на программах профессиональной переподготовки Факультета компьютерных наук НИУ ВШЭ.
Алексей Баталов
Занимался продуктовой аналитикой в⦁таких сервисах, как Яндекс. Метрика, Яндекс. Радар, AppMetrica, Яндекс ОФД. За⦁время работы в⦁компании настроил обработку потоков больших данных и⦁развил инфраструктуру для⦁автоматизации отчётности и⦁рутинных задач.
Александр Манаенков
Помимо работы в karpov.courses работаем младшим научным сотрудником в ИВНД РАН, где занимается анализом физиологических временных рядов в контексте стресса и цикла сна/бодрствования
ОТЗЫВЫ СТУДЕНТОВ //
Много практики и развернутая обратная связь от преподавателей
Давно хотела попасть на обучение именно в karpov.courses. Узнала о школе после прохождения курсов Анатолия Карпова на Степике.
Много практики и развернутая обратная связь от преподавателей
Давно хотела попасть на обучение именно в karpov.courses. Узнала о школе после прохождения курсов Анатолия Карпова на Степике.
В курсе много практики и для работы предоставлены все инструменты. Мне понравилось, что преподаватели сами отвечали на большинство вопросов, это очень ценно. Понравилось наблюдать за работой профессионалов в разборе заданий. Марии отдельное спасибо, всё четко и понятно. Буду стремиться писать такой же красивый, понятный и компактный код. Развернутая обратная связь по заданиям помогает ясно понять свои ошибки и сделать выводы.
Классный преподавательский состав и команда поддержки
Спасибо за курс! Обучение было очень насыщенным, хорошо структурированным, я многому научилась. Как будто действительно месяц поработала аналитиком :)
Благодаря курсу всегда могу рассказать о выполненных задачах как об опыте, сильно приближенном к реальному.
«Тариф с карьерной помощью»
Летом 2023 года решил пройти симулятор аналитика, потому что хотел «пощупать» такие вещи как Airflow, Superset и АВ-тесты максимально приближенные к реальности. Также понимал, что на текущей работе мне не хватает некоторых навыков связанных с автоматизацией. Не долго раздумывая, записался на ближайший поток симулятора аналитика и уже со второго урока понял, что всё не зря. Успешно применил полученные знания по визуализации на тот момент текущем месте работы.
Обучение было достаточно интенсивным, но вполне спокойно совмещал работу с учёбой. В это же время я решил узнать «чего стою на рынке», и как-то не получил особо большого количества откликов. Под конец прохождения симулятора решил воспользоваться консультацией HR-специалиста. За один созвон мы переработали моё резюме так, что конверсия в приглашение на собеседование увеличилась в 2,5 раза. В итоге ещё до окончания курса где-то за 10 дней мне удалось найти новую работу с повышением оклада примерно на 60%, и всё это благодаря полученным знаниям на симуляторе!
Записаться на курс
-10%
132 BYN/мес
147 BYN/мес
В рассрочку на 12 мес
Стоимость курса: 1 583 BYN
Стоимость в рассрочку указана от банков-партнёров — договор с банком, подробности уточняйте у менеджера
Скидка по промокоду:
Кешбэк 5%: 80 баллов на Lerna
Симулятор аналитика
Длительность: 2 мес
Заполните контактные данные
FAQ >>
Для комфортного обучения на курсе необходимо уметь работать с Python и SQL, знать основы математической статистики. Минимальный опыт работы с Git будет плюсом.
На курсе вы будете работать с ClickHouse. ClickHouse — это колоночная база данных, разработанная для решения аналитических задач. Она широко применяется в ведущих российских компаниях — Яндексе, VK и многих других.
Ваша главная задача находится на стыке продуктовой аналитики, BI и программирования. Под руководством опытных аналитиков вам предстоит разработать систему для детектирования аномалий в данных. Конечно, существуют уже готовые решения, но хороший аналитик должен понимать, как они устроены «под капотом». Этот проект даст возможность поработать с реальными данными и поможет понять продуктовые метрики и природу их вариативности.
В среднем наши студенты занимаются по 10−15 часов в неделю. Этого времени достаточно, чтобы успевать смотреть лекции и вовремя выполнять домашние задания.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе — все лекции записаны заранее и разбиты на отдельные видео по 15−30 минут, а на выполнение каждого домашнего задания у вас будет около 10 дней.
Обучение длится 8 недель. Доступ к урокам будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий, на выполнение которых отводится от 1 до 1,5 недель в зависимости от сложности. На каждое задание вы будете получать индивидуальный фидбек от менторов. Кроме того, по истечении дедлайна вы сможете посмотреть разбор задания от авторов
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда поддержки, которая поможет разобраться со сложной задачей.
Если вдруг что-то пойдёт не по плану и вы почувствуете, что отстаёте от программы, сообщите об этом кураторам курса. Вместе мы придумаем, как сделать ваше обучение более удобным.
Конечно, сможете. Всё общение с преподавателями и однокурсниками будет проходить в Discord. В чате можно будет задать любые вопросы по обучению.
Да, останется. Лекции, конспекты и домашние задания будут доступны вам всегда, даже после окончания обучения. Кроме того, вы продолжите получать доступ к обновлениям курса, например, новым лекциям. Удалённым сервером можно будет пользоваться ещё 2 месяца, по их истечении доступ к нему будет закрыт. Но не волнуйтесь — мы заранее вас предупредим и дадим возможность сохранить все необходимые файлы.
Сайт использует файлы cookie для обеспечения удобства пользователей сайта, его улучшения, предоставления персонализированных рекомендаций.
Подробнее
Войти
Каталог
