Data Analysis

Освойте анализ данных с нуля за 6 месяцев

400.000 ₸

6 месяцев

Для новичков

Формат обучения - Онлайн

Информация о преподавателе

Казбекова Диана

Казбекова Диана

Data Analyst, преподаватель-практик

Более 5 лет опыта в анализе данных, ETL, A/B-тестах и продуктовой аналитике

Навыки

Python

NumPy

pandas

matplotlib

seaborn

SQL

PostgreSQL

psycopg2

Web scraping

BeautifulSoup

EDA

Statistics

A/B tests

Machine Learning

Gemini

Claude

Cursor

Диана Казбекова — Data Analyst, преподаватель и практикующий специалист в области анализа данных с опытом более 5 лет.
Работала как в исследовательской среде, так и в коммерческих и образовательных проектах — от научных публикаций в ВШЭ до внедрения ETL-пайплайнов в продуктовых командах и преподавания в ведущих университетах Казахстана. Имеет сильную математическую и инженерную базу: бакалавр прикладной математики МГУ и магистр компьютерных наук ВШЭ.

Специализируется на полном цикле работы с данными: сбор и парсинг, очистка и трансформация, SQL-оптимизация, статистический анализ, визуализация и интерпретация результатов для бизнеса. Имеет практический опыт построения ETL-пайплайнов, проведения A/B-тестов, работы с продуктовыми метриками и разведочного анализа данных (EDA). Методика преподавания выстроена вокруг реальных кейсов и проектной работы: студенты работают с настоящими датасетами, строят пайплайны, проводят статистические тесты и защищают аналитические выводы. Под её руководством обучено более 50 IT-специалистов с показателем завершаемости курса 87%. Является независимым экспертом WorldSkills Kazakhstan 2025 по направлению «Анализ данных» и сертифицированным Data Analyst от DataCamp. Отличается системным мышлением, вниманием к качеству данных и умением переводить аналитику в понятные бизнесу выводы.

О проекте

Data Analysis — это 6-месячная программа для тех, кто хочет освоить профессию аналитика данных с нуля. Курс охватывает полный цикл работы с данными: программирование на Python, библиотеки NumPy и pandas, визуализацию через matplotlib и seaborn, web scraping и SQL, разведочный анализ (EDA), статистические тесты и введение в Machine Learning. Особенность программы — обучение через реальные кейсы и проектную работу: студенты работают с настоящими датасетами, строят ETL-пайплайны, проводят A/B-тесты и защищают аналитические выводы. AI-инструменты (Gemini, Claude, Cursor) встроены в ежедневную практику. По завершении студент создаёт полноценный итоговый проект — от парсинга данных до построения ML-модели и презентации результатов.

210 академических часов

Язык обучения – Русский

Длительность курса - 26 недель

Стоимость курса – 400.000 KZT

Процесс отбора студентов предполагает 2 этапа

Мотивационное письмо

Мотивационное письмо, не менее 7 из 10

Интервью

Интервью с преподавателем и куратором курса.

Критерии отбора студентов

  • Получение не менее 7 баллов из 10 при оценке мотивационных писем.

  • Положительное решение о допуске к курсу по итогам интервью с преподавателем и куратором курса.

  • Вступительные экзамены и тестовые задания не предусмотрены

  • Особые условия, скидки, рассрочка, депозитная система, предоплата и гарантийный взнос не предусмотрены

Кому подойдет курс?

Кто уже работает

Кто хочет сменить профессию, и кому требуется удаленная работа в IT-сфере

Студенты

Которые хотят развиваться в новом и современном направлении

Разработчикам

Кто хочет закрепить свои знания практикой

Программа курса

  • Обзор Python, установка, Jupyter Notebook, VS Code и расширения

  • Markdown, горячие клавиши и базовая навигация в Jupyter

  • Переменные, типы данных, приведение типов

  • Операторы и выражения, функции input и print

  • Работа со строками: методы класса str и форматирование

  • Арифметические операции и операторы сравнения

  • Конструкции if, elif, else и отступы

  • Решение задач на ветвление и приведение типов

  • Методы класса list и итерируемые объекты

  • Циклы for и while, break, continue, pass, range и enumerate

  • Определение функций, параметры и возвращаемые значения

  • Глобальные и локальные переменные, lambda-функции

  • Изменяемые и неизменяемые типы данных

  • Кортежи, множества и словари: создание, методы, операции

  • List, dict и set comprehension; map, zip, filter, reduce

  • Закрепление пройденных тем и контрольный срез

  • NumPy: одномерные и многомерные массивы, алгебра векторов, универсальные функции

  • pandas: объекты Series и DataFrame

  • Выгрузка, индексирование, структурирование и приведение типов

  • Группировка, агрегация, объединение и слияние DataFrame

  • Библиотеки pandas, matplotlib и seaborn

  • Графики, гистограммы, boxplot и диаграммы рассеяния

  • Чтение и интерпретация графиков

  • Выбор типа визуализации под аналитическую задачу

  • Случайные числа и вероятность

  • Меры изменчивости, распределение данных, среднее, медиана, дисперсия

  • Корреляция признаков

  • Интерпретация статистических результатов

  • Библиотеки requests и BeautifulSoup

  • Парсинг веб-страниц и работа с HTML-тегами

  • Выгрузка и сохранение данных в форматах CSV, XLSX, DAT и TXT

  • Введение в реляционные базы данных и библиотеку psycopg2

  • CRUD-операции SQL, агрегации и join-ы

  • Создание DataFrame из базы данных

  • Интеграция SQL с pandas и контрольный срез по блоку

  • Введение в Exploratory Data Analysis и работа с датасетом

  • Отношения в данных, очистка и модификация

  • Выявление зависимостей и подготовка к моделированию

  • Получение выборки, выборочное распределение и bootstrap distribution

  • Основы тестирования гипотез

  • ANOVA, тест пропорций и непараметрические тесты

  • Обзор современных средств: Gemini, Claude, Cursor

  • Промпты для EDA, генерации SQL и Python-кода

  • Проверка и интерпретация AI-результатов аналитиком

  • Обучение с учителем и без, задачи ML и построение модели

  • Датасет, признаки и таргет

  • KNN, линейная регрессия и оценка качества предсказаний

  • Формулировка задачи, импорт данных через web scraping, категоризация признаков

  • Очистка: пропуски, дубликаты, нормализация значений

  • EDA: статистики, корреляции, визуализация boxplot, scatter и barplot

  • Построение модели, интерпретация, презентация и защита выводов