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|