24 бесплатных курса по Data Science и аналитике данных

«Data Science: будущее для каждого» от «Нетологии»

Язык: русский.

Длительность: 3 урока.

Формат обучения: записи вебинаров + текстовые материалы + тесты + практические задания.

Уровень сложности: для начинающих.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Какие направления и профессии есть в сфере Data Science, чем они отличаются и как выбрать направление для себя.
2. Обязательные навыки каждого аналитика и его инструментарий. Написание первого кода с помощью языка запросов SQL.
3. Кого ищут работодатели. Пошаговый план для старта карьеры в сфере Data Science. Как составить карту ваших компетенций.

Что узнаете и чему научитесь:

• Разберётесь в направлениях сферы работы с данными.
• Узнаете обязательные навыки и инструментарий.
• Поймёте, как начать свою карьеру, и пошаговый гайд-план по поиску работу.
• Выполните реальную задачу специалиста по работе с данными: напишете код с помощью языка запросов SQL.

О преподавателях курса:

• Алексей Кузьмин — руководитель отдела Data Science в «ДомКлик».
• Елена Герасимова — руководитель направления «Аналитика» в «Нетологии».

«Введение в Data Science‎ и машинное обучение» от Института биоинформатики

Язык: русский.

Длительность: 30 уроков, 9 часов видео, 54 теста, 21 интерактивная задача на 5-6 часов в неделю.

Формат обучения: видеоуроки + тесты + интерактивные задачи.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. О чём курс?
2. Big Data, Deep Machine Learning — основные понятия.
3. Модель, начнём с дерева.
4. Pandas, Dataframes.
5. Фильтрация данных
6. Группировка и агрегация.
7. Визуализация, seaborn.
8. Практические задания: Pandas.
9. Секретный гость.
10. Stepik ML contest — это ещё что такое?
11. Stepik ML contest — data preprocessing.
12. Какого музыканта Beatles я загадал или entropy reduction.
13. Немного теории и энтропии.
14. Titanic: Machine Learning from Disaster.
15. Обучение, переобучение, недообучение и кросс-валидация.
16. Последний джедай или метрики качества модели.
17. Подбор параметров и ROC and Roll.
18. Практика, Scikit-learn, fit, predict, you are awesome.
19. ML на практике — автокорректор ошибок правописания.
20. Секретный гость.
21. Stepik ML contest.
22. Снова возвращаемся к деревьям.
23. Random forest.
24. Зачем знать что-то ещё, если есть Random Forest?
25. Секретный гость.
26. И на Марсе будут яблони цвести.
27. Нейроэволюция.
28. Трюки в Pandas.
29. Вот и всё, а что дальше?
30. Stepik ML contest.

Что узнаете и чему научитесь:

• Основным понятиям Data Science и Machine Learning.
• Работе с наиболее популярными Python-библиотеками для анализа данных — Pandas и Scikit-learn.

Особенности курса:

• Для прохождения курса необходимы базовые знания в области статистики и програмирования на Python.

О преподавателях курса:

• Анатолий Карпов — основатель онлайн-школы Data Science Karpov.Courses, экс-аналитик в VK Group, экс-руководитель команды аналитики в отделе бизнеса и рекламы «ВКонтакте».
• Александр Ильин — преподаватель в Karpov.Courses, выпускник СПбГУ, аспирант Сколковского Института Науки и Технологий.

«Нейронные сети‎» от Института биоинформатики

Язык: русский.

Длительность: 24 урока, 6 часов видео, 90 тестов, 27 интерактивных задач, 6-10 часов в неделю.

Формат обучения: видеоуроки + тесты + интерактивные задачи.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Общая информация о курсе.
2. Введение.
3. Надо ли вам смотреть эту неделю? Урок с задачами.
4. Ликбез по линейной алгебре: векторы.
5. Ликбез по линейной алгебре: матрицы.
6. NumPy: основы.
7. Линейная алгебра в деле.
8. Перцептрон и градиентный спуск.
9. Нейроны: настоящие и искусственные.
10. Перцептрон.
11. Больше искусственных нейронов.
12. Градиентный спуск.
13. Больше градиентного спуска.
14. Однослойные модели.
15. Алгоритм обратного распространения ошибки.
16. Многослойный перцептрон.
17. Целевые функции.
18. Мониторинг состояния сети.
19. Визуализация.
20. Тест.
21. Практика.
22. Сюрприз и заключение.

Что узнаете и чему научитесь:

• Ознакомитесь с принципами работы нейронных сетей.
• Применению нейронных сетей для решения практических задач.

Особенности курса:

• Для прохождения курса необходимы базовые знания в области статистики, линейной алгебры и програмирования на Python.

О преподавателях курса:

• Арсений Москвичёв — инженер-исследователь, выпускник биологического и психологического факультетов СПбГУ.
• Анастасия Миллер — сотрудница компании JetBrains, выпускница математико-механического факультета СПбГУ.

«Машинное обучение‎» от ОмГТУ

Язык: русский.

Длительность: 73 урока, 7 часов видео, 68 тестов.

Формат обучения: видеоуроки + тесты.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Введение в машинное обучение и основные понятия статистики.
2. Восстановление пропущенных значений.
3. Поиск выбросов и аномалий.
4. Кластеризация.
5. Задача предсказания, линейная регрессия.
6. Классификация, kNN, кросс-валидация.
7. Деревья в машинном обучении.
8. Линейные классификаторы.
9. Вероятностные алгоритмы. Наивный Байес.
10. Ансамбли алгоритмов.
11. Отбор признаков и объектов.

Что узнаете и чему научитесь:

• Построению моделей машинного обучения.
• Обработке таблиц с данными.
• Восстановлению данных с помощью искусственного интеллекта.
• Освоите необходимые термины на тему машинного обучения для общения с будущими заказчиками.
• Узнаете, какие задачи можно доверить ЭВМ.

Особенности курса:

• Для прохождения курса необходимы базовые математические навыки.

О преподавателях курса:

• Артём Шевляков — доктор физико-математических наук, преподаватель ОмГТУ. Заместитель директора Института математики и компьютерных наук Тюменского университета.

«Анализ данных в R‎» от Института биоинформатики

Язык: русский.

Длительность: 19 уроков, 5 часов видео, 26 тестов, 50 интерактивных задач.

Формат обучения: видеоуроки + тесты + интерактивные задачи.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Общая информация о курсе.
2. Переменные.
3. Работа с data frame.
4. Элементы синтаксиса.
5. Описательные статистики. Графики.
6. Сохранение результатов.
7. Статистика в R. Часть 1.
8. Анализ номинативных данных.
9. Сравнение двух групп.
10. Применение дисперсионного анализа.
11. Создание собственных функций.
12. Статистика в R. Часть 2.
13. Корреляция и простая линейная регрессия (МНК).
14. Множественная линейная регрессия. Отбор моделей.
15. Диагностика модели.
16. Диагностика модели. Продолжение.
17. Логистическая регрессия.
18. Экспорт результатов анализа из R.
19. Заключение.

Что узнаете и чему научитесь:

• Манипулировать данными, используя как стандартные методы R и Rstudio, так и специальные пакеты и библиотеки.
• Применять основные методы статистического анализа: t-тест, корреляция, регрессия, дисперсионный и регрессионный анализ и др.
• Писать собственные функции в R.
• Визуализировать получаемые результаты.

Особенности курса:

• Для прохождения курса необходимы базовые знания в области статистики.

О преподавателях курса:

• Иван Иванчей — выпускник факультета психологии СПбГУ, научный сотрудник СПбГУ. Специализируется на экспериментальном исследовании и вычислительном моделировании когнитивных процессов человека.
• Анатолий Карпов — работал ведущим аналитиком в VK и Stepik. Специализируется на статистике, A/B-тестировании, машинном обучении и построении аналитических хранилищ данных. Автор онлайн-курсов по анализу данных на платформе Stepik.

«‎Анализ данных просто и доступно» от Игоря Клейнера

Язык: русский.

Длительность: 106 уроков, 23 часа видео, 36 тестов.

Формат обучения: видеоуроки + тесты.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Данные по всюду. Эпоха анализа данных.
2. Виды данных.
3. Визуализация данных.
4. Линейная регрессия.
5. Катастрофа Челленджера.
6. Анализ данных корона вируса.
7. Анализ данных и болезни сердца.
8. Любовь и данные.
9. Нейронные сети. Глубокое обучение.
10. Коронавирус сдавайся!
11. Анализ изображений.
12. Анализ текстовых данных: твитер, Энрон, смс — спам.
13. Этика анализа данных.
14. Понравилось? Как продолжить обучение.

Что узнаете и чему научитесь:

• Основам анализа данных.
• Основным алгоритмам анализа и их использованию для повседневных задач.
• Разговаривать с данными и уметь их слушать.

О преподавателях курса:

• Игорь Клейнер — работал в компаниях Huawei, Intel, Skype, Microsoft, Infowatch. Преподавал в открытом университете Израиля, Хайфском университете и других высших учебных заведениях. Опыт преподавания — более 20 лет.

«Квантовые вычисления» от СПбГУ

Язык: русский.

Длительность: 10 недель, 4-6 часов в неделю.

Формат обучения: видеоуроки + теоретические текстовые материалы + тесты.

Уровень сложности: для математиков и программистов.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Введение.
2. Математическая модель квантовых вычислений.
3. Алгоритм Шора.
4. Алгоритм Гровера и границы квантовых вычислений.

Что узнаете и чему научитесь:

• Разберётесь в математическом описании квантового алгоритма, научитесь разрабатывать собственные квантовые алгоритмы, анализировать применимость квантовых вычислений к конкретной задаче.
• Изучите математическую модель квантовых вычислений, структуру и примеры квантовых алгоритмов.
• Овладеете навыками анализа и сравнения классических и квантовых алгоритмов.

О преподавателе:

• Сысоев Сергей — кандидат физико-математических наук, доцент.

«Анализ данных‎» от РЭУ им. Г.В. Плеханова

Язык: русский.

Длительность: 20 уроков, 1 час видео.

Формат обучения: видеоуроки + теоретические текстовые материалы + тесты.

Уровень сложности: для прохождения курса требуются знания экономической теории и математики.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Статистические данные: теоретические основы и классификации.
2. Абсолютные и относительные статистические показатели.
3. Виды относительных показателей.
4. Средние величины.
5. Понятие вариации. Абсолютные показатели вариации.
6. Относительный показатели вариации.
7. Виды дисперсий.
8. Теоретические основы оценки взаимосвязи признаков.
9. Критерий хи-квадрат в оценке взаимосвязи признаков.
10. Оценка тесноты связи между качественными признаками.
11. Неметрическая корреляция.
12. Оценка тесноты связи количественных признаков.
13. Понятие динамики социально-экономических явлений.
14. Виды рядов динамики.
15. Аналитические показатели рядов динамики.
16. Средние показатели рядов динамики.
17. Простейшие методы прогнозирования.
18. Понятие структуры социально-экономических явлений.
19. Показатели структурных сдвигов.
20. Оценка концентрации и централизации.

Что узнаете и чему научитесь:

• Понимание абсолютных и относительных статистических показателей.
• Анализ взаимосвязи признаков.
• Понимание динамики и структуры социально-экономических явлений.
• Построение прогнозных оценок.

Кто проводит курс:

• Курс разработан на базе кафедры статистики РЭУ им. Г.В. Плеханова.

«Исследование статистических взаимосвязей‎» от НГУ совместно с «2ГИС»

Язык: русский.

Длительность: 6 уроков.

Формат обучения: видеоуроки + теоретические текстовые материалы + тесты.

Уровень сложности: для начинающих.

Обратная связь: в чате в Telegram.

С сертификатом (выдаётся на платном курсе)

Программа обучения:

1. Статистическая гипотеза.
2. Статистические критерии.
3. Алгоритм проверки статистических гипотез.
4. Свойства критериев.
5. Метод Монте-Карло.

Что узнаете и чему научитесь:

• Чем статистическая гипотеза отличается от «обычного предположения».
• Какие бывают статистические гипотезы и какие статистические критерии разработаны для их проверки.
• Как делать проверку статистических гипотез (как формулировать статистические гипотезы для решения исследовательских задач, а также выбирать подходящие критерии для их проверки).

Особенности курса:

• Курс представляет собой первый бесплатный модуль большого платного курса.

О преподавателях:

• Ольга Ечевская — кандидат социологических наук, доцент кафедры социологии ЭФ НГУ, сооснователь проекта «Святая Сибирь».
• Наталья Галанова — специалист по анализу данных в 2GIS.
• Виктор Дёмин — специалист по анализу данных в 2GIS, кандидат технических наук.

«‎Основы статистики» от Института биоинформатики

Язык: русский.

Длительность: 29 уроков, 4 часа видео.

Формат обучения: видеоуроки + теоретические текстовые материалы + тесты.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Общая информация о курсе.
2. Генеральная совокупность и выборка.
3. Типы переменных. Количественные и номинативные переменные.
4. Меры центральной тенденции.
5. Меры изменчивости.
6. Квартили распределения и график box-plot.
7. Нормальное распределение.
8. Центральная предельная теорема.
9. Доверительные интервалы для среднего.
10. Идея статистического вывода, p-уровень значимости.
11. T-распределение.
12. Сравнение двух средних; t-критерий Стьюдента.
13. Проверка распределения на нормальность, QQ-Plot.
14. Однофакторный дисперсионный анализ.
15. Множественные сравнения в ANOVA.
16. Многофакторный ANOVA.
17. АБ тесты и статистика.
18. Понятие корреляции.
19. Условия применения коэффициента корреляции.
20. Регрессия с одной независимой переменной.
21. Гипотеза о значимости взаимосвязи и коэффициент детерминации.
22. Условия применения линейной регрессии с одним предиктором.
23. Применение регрессионного анализа и интерпретация результатов.
24. Задача предсказания значений зависимой переменной.
25. Регрессионный анализ с несколькими независимыми переменными.
26. Выбор наилучшей модели.
27. Классификация: логистическая регрессия и кластерный анализ.
28. GLM и продвинутые темы.
29. Заключение.

Что узнаете и чему научитесь:

• Визуализации, анализу и разбору данных.
• Расчёту коэффициентов корреляции.
• Построению регрессионных уравнений.
• Проверке гипотез.
• Практическому применению языка R.

О преподавателе:

• Анатолий Карпов — основатель онлайн-школы Data Science Karpov.Courses, экс-аналитик в VK Group, экс-руководитель команды аналитики в отделе бизнеса и рекламы «ВКонтакте»

«Знакомство с R ‎и базовая статистика» от СПбГУ

Язык: русский.

Длительность: Курс рассчитан на 5 недель обучения, 4-5 часов в неделю.

Формат обучения: видеоуроки + теоретические дополнительные материалы + тесты.

Уровень сложности: для начинающих.

Обратная связь: есть.

С сертификатом

Программа обучения:

1. Знакомство с R.
2. Работа с данными.
3. Графики с использованием ggplot2.
4. Описательная статистика.
5. Тестирование гипотез.

Что узнаете и чему научитесь:

• Выполнять простые математические действия, работать с переменными и векторами.
• Создавать скрипты на языке R.
• Использовать индексы и логические векторы для отбора данных в векторах и датафреймах.
• Импортировать в R данные в форматах .xlsx, .csv.
• Строить гистограммы, боксплоты, точечные, линейные графики средствами пакета ggplot2.
• Создавать документы в формате .Rmd.
• Рассчитывать для выборок разные описательные статистики (медиану, квантили, минимум и максимум; среднее и стандартное отклонение; дисперсию; стандартную ошибку среднего).
• Выбирать подходящие описательные статистики в зависимости от задач анализа.
• Стандартизировать (сделать z-преобразование) значений переменной.
• Рассчитывать вероятность попадания нормально распределенной величины в конкретный диапазон значений.
• Строить доверительные интервалы с использованием z и t распределений.
• Отличать односторонние и двусторонние альтернативные гипотезы.
• Распознавать наиболее частые варианты неправильной интерпретации уровней значимости.
• Применять t-тест для сравнения средних значений и интерпретировать его результаты.
• Делать поправки для уровня значимости в случае множественного тестирования гипотез.
• Проводить анализ данных (описывать выборки и сравнивать две группы при помощи t-критерия) при помощи R и создавать отчеты в формате Rmd.

Кто проводит курс:

• Курс разработан на основе образовательной программы Санкт-Петербургского государственного университета.

«Статистика для гуманитариев‎» от ТГУ

Язык: русский.

Длительность: 111 уроков. Курс рассчитан на 11 недель обучения, 8-12 часов в неделю.

Формат обучения: видеоуроки + тесты.

Уровень сложности: для прохождения курса необходимы базовые знания дисциплин «Математика» и «Компьютерные технологии и информатика».

Обратная связь: есть.

С сертификатом

Программа обучения:

1. Знакомство с пакетом R.
2. Рабочее пространство в R.
3. Типы и структуры данных.
4. Последовательности, векторы, матрицы.
5. Списки, массивы, факторы.
6. Объекты типа data.frame.
7. Введение в статистику.
8. Сводка, группировка.
9. Измерительные шкалы и типы данных.
10. Генеральная и выборочная совокупность.
11. Табличные способы представления выборок.
12. Графические способы представления выборок.
13. Точечные оценки параметров.
14. Числовые характеристики выборки.
15. Средние показатели.
16. Меры вариации.
17. Структурные характеристики.
18. Интервальное оценивание.
19. Предварительная обработка данных (пропуски, выбросы).
20. Проверка статистических гипотез.
21. Критерии согласия.
22. Критерии проверки нормальности.
23. Параметрические критерии сравнения групп.
24. Непараметрические критерии сравнения групп.
25. Корреляционный анализ количественных данных.
26. Парный коэффициент корреляции Пирсона.
27. Ранговая корреляция.
28. Анализ таблиц сопряженности.
29. Регрессионный анализ. Общая постановка задачи.
30. Парная регрессии.
31. Множественная регрессия.
32. Дисперсионный анализ (ANOVA). Общая постановка задачи.
33. Однофакторный ANOVA.
34. Двухфакторный ANOVA.
35. Определение и структура временного ряда.
36. Методы сглаживания временного ряда.
37. Сезонная составляющая.
38. Экономические индексы.
39. Итоговая аттестация.

Что узнаете и чему научитесь:

• Проводить предварительную обработку данных для статистических исследований.
• Выбирать наиболее адекватные статистические методы для анализа.
• Применять (реализовывать) статистические методы для анализа данных.
• Применять пакеты прикладных программа для реализации статистических методов.
• Интерпретировать полученные результаты.

Кто проводит курс:

• Курс подготовлен на базе Томского государственного университета.

«Эконометрика‎» от НИУ ВШЭ

Язык: русский.

Длительность: 15 недель на освоение программы, 6-7 часов в неделю, длина одной лекции 1,5 часа.

Формат обучения: видеолекции + тест + домашнее задание.

Уровень сложности: для прохождения курса необходимы знания по теории вероятности, математической статистики и линейной алгебре.

Обратная связь: есть.

С сертификатом

Программа обучения:

1. Метод наименьших квадратов.
2. Статистические свойства оценок коэффициентов.
3. Введение в R.
4. Дамми-переменные, сравнение вложенных моделей.
5. Графики, фиктивные переменные и прогнозы в R.
6. Мультиколлинеарность.
7. Гетероскедастичность.
8. Мультиколлинеарность и гетероскедастичность в R.
9. Автокорреляция.
10. Метод максимального правдоподобия, модели бинарного выбора.
11. Автокорреляция и модели бинарного выбора в R.
12. Временные ряды.
13. Эндогенность.
14. Временные ряды и эндогенность в R.
15. Дополнительные главы эконометрики.

Что узнаете и чему научитесь:

• Собирать и анализировать исходные данные, необходимые для расчета экономических и социально-экономических показателей, характеризующих деятельность хозяйствующих субъектов.
• Осуществлять сбор, анализ и обработку данных, необходимых для решения поставленных экономических задач.
• Выбирать инструментальные средства для обработки экономических данных в соответствии с поставленной задачей, анализировать результаты расчетов и обосновывать полученные выводы.
• На основе описания экономических процессов и явлений строить стандартные теоретические и эконометрические модели, анализировать и содержательно интерпретировать полученные результаты.
• Использовать для решения аналитических и исследовательских задач современные технические средства и информационные технологии.

О преподавателе:

• Борис Демешев — старший преподаватель факультета экономических наук ВШЭ, магистр.

«‎Быстрый старт в искусственный интеллект» от МФТИ

Язык: русский.

Длительность: 23 урока, курс рассчитан на 4 недели, 2-5 часов в неделю.

Формат обучения: видеоуроки + тесты + интерактивные задачи.

Уровень сложности: для начинающих с базовыми знаниями в области программирования.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Введение в машинное обучение.
2. Линейные алгоритмы в машинном обучении.
3. Метрики машинного обучения.
4. Алгоритмы машинного обучения. Выбор модели.
5. Домашнее задание.
6. Нейронные сети: основы.
7. Сверточные нейронные сети.
8. Практика: классификация картинок.
9. Задачи компьютерного зрения.
10. Популярные архитектуры (ResNet), дообучение нейронной сети.
11. Домашнее задание.
12. Введение в NLP.
13. Выделение признаков.
14. Word Embeddings.
15. Рекуррентные нейронные сети.
16. Рекуррентные нейронные сети на практике.
17. Домашнее задание.
18. Жадный алгоритм.
19. Вероятностный подход.
20. Эмпирические наблюдения.
21. Подкрутка простых решений.
22. Классификация с помощью подсчета статистик.
23. Итоговое тестирование.

Что узнаете и чему научитесь:

• Разберётесь в основах и алгоритмах машинного обучения.
• Узнаете, что такое нейронные сети, как они работают и как применять их на практике.
• Разберётесь в основах нейро-лингвистического программирования.

О преподавателях:

• Татьяна Гайнцева — исследователь в лаборатории LAMBDA (НИУ ВШЭ) и группе Video Intelligence Huawei, преподаватель Deep Learning School (МФТИ).
• Михаил Григорьев — преподаватель математики ФПМИ МФТИ, победитель международных олимпиад по математике, тренер сборной МФТИ на международных олимпиадах, жюри и составитель всероссийской олимпиады школьников по математике.
• Юрий Яровиков — заместитель заведующего лаборатории инноватики МФТИ, руководитель Школы глубокого обучения МФТИ, исследователь данных в «СберБанке».
• Антон Астахов — преподаватель DLSchool.

«Как стать аналитиком данных‎» от «Яндекс.Практикума»

Язык: русский.

Длительность: 2 недели, 20 часов.

Формат обучения: видеоуроки + практические занятия в онлайн-тренажёре.

Уровень сложности: для начинающих с базовыми знаниями в области программирования.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Moscow Catnammycs.
2. Ошибки, переменные и гипотезы.
3. Что делают специалисты в области данных.
4. Списки в Python.
5. Цикл for.
6. Условия и булева логика.
7. Машинное обучение.
8. Финальный проект.

Что узнаете и чему научитесь:

• Разберётесь в основных концепциях анализа данных.
• Узнаете, чем занимаются аналитики данных и специалисты по Data Science.
• Решите пять реальных кейсов по работе с данными из разных областей.
• Изучите азы Python и библиотеки pandas, научитесь строить некоторые графики и верно их трактовать.

Особенности курса:

• Первый модуль большого платного полугодового курса, во время которого учащиеся создают 13 учебных и реальных проектов для портфолио и получают диплом о профессиональной переподготовке либо сертификат о прохождении курса.

«Математическая статистика‎» от Computer Science Center

Язык: русский.

Длительность: 29 уроков, 11 часов видео.

Формат обучения: видеоуроки + тесты + интерактивные задачи.

Уровень сложности: для начинающих с базовыми знаниями в области математического анализа и теории вероятностей.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Общие рекомендации. Моделирование.
2. Краткий обзор понятий теории вероятностей.
3. Выборка. Выборочное пространство.
4. Описательная статистика.
5. Задание на тему описательной статистики.
6. Точечные оценки и их свойства.
7. Методы построения точечных оценок.
8. Задание на тему построения точечных оценок.
9. Стратифицированные выборки.
10. Доверительные интервалы.
11. Задание на тему стратификации и построение интервальной оценки.
12. Лемма Неймана-Пирсона.
13. Критерии о параметрах нормального распределения.
14. Критерии о параметрах нормального и биномиального распределений.
15. Задача на проверку статистической гипотезы.
16. Параметрические критерии однородности.
17. Непараметрические критерии однородности.
18. Однофакторный дисперсионный анализ.
19. Задача на проверку однородности.
20. Критерии согласия хи-квадрат и Колмогорова.
21. Критерии нормальности.
22. Таблицы сопряженности.
23. Задание на проверку гипотезы о законе распределения.
24. Множественная линейная регрессия.
25. Анализ остатков.
26. Корреляционный анализ.
27. Задание на построение линейной регрессии.
28. Итоговый тест.
29. Заключительный урок.

О преподавателе:

• Лидия Грауэр — старший веб-аналитик Wrike. Имеет несколько лет опыта анализа данных в «‎Яндекс». Преподаватель Computer Science Center.

«‎BI разработчик. Основы работы в Tableau» от Артёма Прыткова

Язык: русский.

Длительность: 10 урока, 2 часов видео

Формат обучения: видеолекции + тесты.

Уровень сложности: для прохождения курса необходимы навыки работы в Exсel.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Введение. Что вы узнаете в этом курсе. Об авторе.
2. Инструменты Tableau. Подготовка к работе.
3. Подключение к данным.
4. Знакомство с интерфейсом. Основные понятия.
5. Создание сводной таблицы. Форматирование данных. Фильтры.
6. Создание графиков.
7. Расчетные поля. Группы и наборы. Параметры.
8. Рззработка простого дашборда.
9. Настройка интерактивных графиков и фильтров. Tableau Public.
10. Карьера BI разработчика.

О преподавателе:

• Артём Прытков — специалист в области анализа и визуализации данных с 10-летним стажем.

«Hadoop. Система для обработки больших объёмов данных‎» от VK Team

Язык: русский.

Длительность: 33 урока, 12 часов видео

Формат обучения: видеолекции + тесты + интерактивные задачи.

Уровень сложности: для прохождения курса необходимы знания языков программирования и английского языка.

Обратная связь: нет.

С сертификатом

Программа обучения:

1. Вводный урок курса.
2. Что такое Hadoop?
3. Архитектура HDFS.
4. Shell-команды.
5. Java API.
6. Парадигма MapReduce.
7. Фреймворк MapReduce.
8. Java API. Введение.
9. Java API. Продолжение.
10. Hadoop Streaming.
11. Алгоритмы на MapReduce.
12. Реляционные функции.
13. Расчет TF-IDF.
14. Графы в MapReduce.
15. Поиск кратчайшего пути в графе.
16. PageRank.
17. Проблемы MR-алгоритмов на графах.
18. Pig.
19. Основные операторы PigLatin.
20. Hive.
21. Pig vs Hive.
22. Способы хранения данных.
23. NoSQL.
24. Введение в HBase.
25. Архитектура HBase.
26. Cassandra.
27. Основные понятия Spark.
28. Операторы Spark.
29. Фреймворк Spark.
30. Что такое YARN?
31. Компоненты YARN.
32. MapReduce 2.0.
33. Заключительный урок.

О преподавателе:

• Евгений Чернов — руководитель отдела анализа в Поиск@Mail.ru.

«Теория игр‎» от МФТИ

Язык: русский.

Длительность: длительность курса 13 недель.

Формат обучения: видеолекции + тесты + практические задания.

Уровень сложности: для начинающих с базовыми знаниями линейной алгебры, математического анализа в рамках университетского курса, теории вероятностей.

Обратная связь: при оплате итоговой сертификации.

С сертификатом (выдаётся после успешного завершения платной сертификации)

Программа обучения:

1. Позиционные игры.
2. Статические игры.
3. Динамические игры.
4. Кооперативные игры.
5. Приложения теории игр.

Что узнаете и чему научитесь:

• Изучите классификацию игр, основы моделирования розыгрышей игр, основные принципы решения игр.
• Научитесь применять имеющиеся знания для решения практических задач и использовать новые технологии анализа экономических систем.
• Получите представление о формировании стратегий, платежах, цене игры, основах рационального поведения, правилах справедливого дележа, взаимосвязи дисциплины с другими смежными дисциплинами.
• Разовьёте способность к восприятию, обобщению, анализу информации, постановке цели и выбору путей её достижения.
• Получите способность использовать основные законы естественнонаучных дисциплин в профессиональной деятельности, применять методы математического анализа и моделирования, теоретического и экспериментального исследования.
• Обретёте способность использовать основные положения и методы гуманитарных и социально-экономических наук при решении профессиональных задач.

О преподавателе:

• Савватеев Алексей Владимирович — доктор физико-математических наук, профессор кафедры дискретной математики МФТИ.

«A Crash Course in Data Science» от университета Джона Хопкинса

Язык: английский, с русскими субтитрами.

Длительность: 11 уроков, общая длительность 78 минут.

Формат обучения: видеоуроки + текстовые материалы + тесты + практические упражнения.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом (выдаётся платно)

Программа обучения:

1. About Your Instructors.
2. What is Data Science?
3. Statistics by example activities.
4. Machine learning, the basics.
5. Machine learning further reading.
6. What is Software Engineering for Data Science?
7. The Structure of a Data Science Project.
8. The outputs of a data science experiment.
9. The four secrets of a successful data science experiment.
10. Data Scientist Toolbox.
11. Separating Hype from Value.

О преподавателях курса:

• Jeff Leek — Associate Professor, Biostatistics Johns Hopkins University.
• Brian Caffo — Professor, Biostatistics, Johns Hopkins University
• Roger D. Peng — Associate Professor, Biostatistics, Johns Hopkins University

«‎Introduction to Data Science» от Alison

Язык: английский.

Длительность: общая длительность 1,5-2 часа.

Формат обучения: видеоуроки.

Уровень сложности: для прохождения курса необходимы базовые знания математики, линейной алгебры, а также базовые навыки программирования на R или Python.

Обратная связь: нет.

С сертификатом (выдаётся платно)

Программа обучения:

1. Обзор науки о данных.
2. Обзор машинного обучения.
3. Оценка курса.

Что узнаете и чему научитесь:

• Для чего используется наука о данных
• Об этапах процесса обработки данных.
• Что такое машинное обучение и из каких частей оно состоит.
• Как используют различные типы регрессии.
• О различных типах алгоритмов классификации.
• Как работают два самых популярных алгоритма кластеризации.
• Зачем использовать Azure ML для своих проектов по науке о данных.

«‎Learn Data Science» от Dataquest

Язык: английский.

Формат обучения: текстовые теоретические материалы + практические упражнения.

Уровень сложности: для начинающих.

Обратная связь: нет.

Без сертификата

Что узнаете и чему научитесь:

• В процессе выполнения практических упражнений создадите реальные проекты, которыми пополните своё портфолио и которые сможете использовать в практической работе.

«‎Data Science» от Гарвардского университета

Язык: английский.

Длительность: курс рассчитан на 13 недель.

Формат обучения: видеоуроки + практические задания.

Уровень сложности: для начинающих.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Обзор курсов.
2. Pandas, Python, and Github.
3. Scraping, Pandas, Python, and viz.
4. Probability, Distributions, and Frequentist Statistics.
5. Regression, Logistic Regression: in sklearn and statsmodels.
6. Machine Learning.
7. Machine Learning 2.
8. Ensembles.
9. Vagrant and VirtualBox, AWS, and Spark.
10. Bayes.
11. Text and Clustering.
12. Projects, and an example.

«‎Introduction to Data Science in Python» от Мичиганского университета

Язык: английский, с русскими субтитрами.

Длительность: курс рассчитан на 4 недели, общая длительность уроков 35 часов.

Формат обучения: видеоуроки + практические задания.

Уровень сложности: для начинающих.

Обратная связь: нет.

С сертификатом (выдаётся платно)

Программа обучения:

1. Основы обработки данных с помощью Python.
2. Базовая обработка данных с помощью Pandas.
3. Дополнительная обработка данных с помощью Pandas.
4. Ответы на вопросы с беспорядочными данными.

Что узнаете и чему научитесь:

1. Понимать такие методы, как лямбда-выражения и управление CSV-файлами.
2. Описывать общие функциональные возможности и функции Python, используемые в науке о данных.
3. Запрашивать структуры DataFrame для очистки и обработки.
4. Объяснять распределения, выборку и t-тесты.

О преподавателях курса:

• Кристофер Брукс — доцент Мичиганского университета.