Курсы по Веб-аналитике

Создавайте интуитивно понятные интерфейсы и сайты. 

Вы будете глубоко разбираться в дизайне, а все решения сможете принимать на основе аналитики и изучения опыта пользователей.

Профессиональные навыки:

• Создание лендингов, корпоративных сайтов и интернет-магазинов;
• Проектирование и улучшение пользовательских интерфейсов с учётом UI и удобства использования;
• Проведение UX-исследований для понимания потребностей пользователей и оптимизации пользовательского опыта;
• Поддержка и развитие дизайн-системы;
• Проработка пользовательских сценариев.

Аналитик данных — это специалист, который собирает, обрабатывает, изучает и интерпретирует данные. 

Он помогает компании принимать важные решения, улучшая бизнес-процессы и продукт.

Научитесь понимать основные метрики компаний и самостоятельно считать их, используя SQL и Google Sheets. Проводите когортный анализ и стройте прогнозы, визуализируя данные с помощью Looker Studio и библиотек Python. Делайте выводы на основе исследований, обосновывайте их и помогайте бизнесу расти.

Учим необходимому:

• SQL
• ИНСТРУМЕНТЫ ДЛЯ ВЫЧИСЛЕНИЙ
• ВИЗУАЛИЗАЦИЯ В LOOKER STUDIO
• ПРОВЕРКА И ОБОСНОВАНИЕ ГИПОТЕЗ. A/B ТЕСТЫ
• ВЫБОР И РАСЧЁТ МЕТРИК

• Introduction in the Deep Learning Введение в нейронные сети.Виды слоёв в нейронных сетях.Свёрточные нейронные сети, автоэнкодеры.Нелинейные функции, функции потерь.Оптимизация нейронных сетей.История нейросетей и пример реализации кода.Пример применения: музыка.
• Рекомендательные системы Рекомендации фильмов.Рекомендации товаров.Генерация негативных примеров.Онлайновая оценка качества.Истории из практики.
• Введение в Text Mining Классификация текстов.Матричные разложения.Тематическое моделирование.Кластеризация текстов.Аннотирование.Анализ тональности текста.Распознавание именованных сущностей и машинный перевод.
• Рекомендательные системы Рекомендации фильмов.Рекомендации товаров.Генерация негативных примеров.Онлайновая оценка качества.Истории из практики.
• Метрики качества. Работа с признаками, постановка задач Accuracy, precision, recall.ROC-AUC.Метрики качества в задачах регрессии.Оптимизация метрик.Работа с признаками.Генерация признаков.Отбор признаков.Преобразование признаков.PCA: подробности.Пример: рекомендации товаров.
• Deep Learning for Data with Sequence Structure Рекуррентные нейронные сети.LSTM.Embedding layer.Виды практических задач.Примеры из жизни.
• Введение Вводные слова о машинном обучении.Простейшие примеры применения машинного обучения.Оценка качества алгоритма.Примеры из жизни.Задача классификации.Байесовский классификатор.Задачи кластеризации и регрессии.Наиболее часто используемые методы.Качество и признаки.Переобучение и недообучение.Инструменты.
• Case Study: прогнозирование оттока Отток пользователей: введение.Метрики: оценивание процесса оттока.Применение прогнозирования оттока пользователей.Формализация постановки задачи и анализ пользовательских данных.Построение модели оттока.Несбалансированные выборки.Обучение модели, интерпретация результатов.Эксплуатация модели.
• Логистическая регрессия и SVM Линейные модели, логистическая регрессия.Метод опорных векторов.Kernel trick.Двойственная задача в SVM.Подробнее о регуляризации и применение линейных моделей.Методы оптимизации в логистической регрессии и SVM. Часть 1.Методы оптимизации в логистической регрессии и SVM. Часть 2.Vowpal Wabbit.Линейные классификаторы Semi-supervised.Многоклассовая логистическая регрессия и SVM.Sklearn.linear_model.
• Логистическая регрессия и SVM Линейные модели, логистическая регрессия.Метод опорных векторов.Kernel trick.Двойственная задача в SVM.Подробнее о регуляризации и применение линейных моделей.Методы оптимизации в логистической регрессии и SVM. Часть 1.Методы оптимизации в логистической регрессии и SVM. Часть 2.Vowpal Wabbit.Линейные классификаторы Semi-supervised.Многоклассовая логистическая регрессия и SVM.Sklearn.linear_model.
• Deep Learning for Data with Sequence Structure Рекуррентные нейронные сети.LSTM.Embedding layer.Виды практических задач.Примеры из жизни.
• Кластеризация Введение в кластеризацию.Разнообразие задач кластеризации.K-Means.EM-алгоритм.Агломеративная иерархическая кластеризация.Графы и методы на основе плотности точек.Выбор метода кластеризации.Оценка качества и рекомендации.
• Решающие деревья в задачах классификации и регрессии Решающие деревья.Как строить решающие деревья.Ансамбли деревьев.Линейные модели.Пример: классификация музыки по жанрам.Решающие деревья: дополнительные темы.
• Построение ансамблей. Random Forest и Gradient Forest Обзор методов построения композиций.Бустинг.Усреднение моделей.Леса решающих деревьев.Градиентный бустинг над деревьями.Сравнения композиций алгоритмов.Ансамбли деревьев: дополнительные темы.Смещение и разброс.Разброс усреднённой модели.XGBoost.
• Построение ансамблей. Random Forest и Gradient Forest Обзор методов построения композиций.Бустинг.Усреднение моделей.Леса решающих деревьев.Градиентный бустинг над деревьями.Сравнения композиций алгоритмов.Ансамбли деревьев: дополнительные темы.Смещение и разброс.Разброс усреднённой модели.XGBoost.
• Введение Вводные слова о машинном обучении.Простейшие примеры применения машинного обучения.Оценка качества алгоритма.Примеры из жизни.Задача классификации.Байесовский классификатор.Задачи кластеризации и регрессии.Наиболее часто используемые методы.Качество и признаки.Переобучение и недообучение.Инструменты.
• Метрики качества. Работа с признаками, постановка задач Accuracy, precision, recall.ROC-AUC.Метрики качества в задачах регрессии.Оптимизация метрик.Работа с признаками.Генерация признаков.Отбор признаков.Преобразование признаков.PCA: подробности.Пример: рекомендации товаров.
• Case Study: прогнозирование оттока Отток пользователей: введение.Метрики: оценивание процесса оттока.Применение прогнозирования оттока пользователей.Формализация постановки задачи и анализ пользовательских данных.Построение модели оттока.Несбалансированные выборки.Обучение модели, интерпретация результатов.Эксплуатация модели.
• Решающие деревья в задачах классификации и регрессии Решающие деревья.Как строить решающие деревья.Ансамбли деревьев.Линейные модели.Пример: классификация музыки по жанрам.Решающие деревья: дополнительные темы.
• Кластеризация Введение в кластеризацию.Разнообразие задач кластеризации.K-Means.EM-алгоритм.Агломеративная иерархическая кластеризация.Графы и методы на основе плотности точек.Выбор метода кластеризации.Оценка качества и рекомендации.
• Введение в Text Mining Классификация текстов.Матричные разложения.Тематическое моделирование.Кластеризация текстов.Аннотирование.Анализ тональности текста.Распознавание именованных сущностей и машинный перевод.
• Прогнозирование временных рядов Задача прогнозирования временного ряда.Компоненты временных рядов.Автокорреляция.Стационарность.Авторегрессия и скользящее среднее.Подбор параметров ARIMA.Построение прогнозов.Временные ряды: дополнительные темы.
• Introduction in the Deep Learning Введение в нейронные сети.Виды слоёв в нейронных сетях.Свёрточные нейронные сети, автоэнкодеры.Нелинейные функции, функции потерь.Оптимизация нейронных сетей.История нейросетей и пример реализации кода.Пример применения: музыка.
• Прогнозирование временных рядов Задача прогнозирования временного ряда.Компоненты временных рядов.Автокорреляция.Стационарность.Авторегрессия и скользящее среднее.Подбор параметров ARIMA.Построение прогнозов.Временные ряды: дополнительные темы.