Анализ данных с помощью Python и SQL
Таллинн
15.06.2026 - 21.08.2026
27.08.2026 - 06.11.2026
21.09.2026 - 22.11.2026
Онлайн-курс:
15.06.2026 - 21.08.2026
27.08.2026 - 06.11.2026
21.09.2026 - 22.11.2026
Учим решать реальные задачи с помощью анализа данных
Анализ данных — это не только обработка информации после ее сбора и получения, а средство проверки гипотез и принятия решений. Цель любого анализа данных — понимание исследуемой ситуации целиком (выявление тенденций, негативных отклонений от плана, получение рекомендаций и прогнозов). Это достигается через главные задачи анализа данных:
- сбор информации,
- структуризация информации,
- выявление закономерностей, анализ,
- прогнозирование и получение рекомендаций.
10 недель аудиторной работы
По объему информации, количеству осваиваемых технологий и инструментов данный курс прочно удерживает первое место среди других.
Помимо стандартных библиотек Python Вы также получите представление о дополнительных библиотеках (Numpy, Pandas), используемых в аналитике данных и Data Science.
Свыше 20 инструментов и 50 компетенций
Курс дает большой объем знаний сразу в нескольких областях:
- Общие принципы анализа данных
- Программирование с использованием языка Python
- Работа с языком запросов данных SQL
- Работа с Jupyter Notebook
- Необходимый объем знаний в области математического анализа, теории вероятностей и математической статистики.
Актуальные кейсы для первого портфолио
Несмотря на то, что курс содержит достаточно большой объем теории, в рамках курса будет как минимум 5 типов задач с реальными наборами данных, которые наиболее часто встречаются в работе аналитика данных:
- Расчет инвестиционной стратегии (прогностический анализ)
- Разработка эффективной рекомендательной системы (прогностический анализ)
- Оптимизация маркетинговых затрат предприятия (разведывательный анализ)
- Максимизация прибыли компании (прогностический анализ)
- Анализ трендов рынка недвижимости (описательный анализ)
- Оптимизация товарного ассортимента (прогностический анализ)
По окончании курса Вы сможете:
- подготавливать данные для анализа с помощью Python и SQL;
- структурировать информацию;
- формулировать гипотезы и проводить их проверку, используя методы математической статистики;
- генерировать отчеты с первичными рекомендациями, используя современные инструменты визуализации;
- продолжить свою карьеру в области Data Science, Machine Learning;
Все включено в стоимость курса
Курсы проходят в центре Таллинна, по адресу Тарту мнт, 18 (и/или онлайн через Zoom). Размер группы до 8 человек.
В цену курса включены все учебные материалы.
При необходимости на время обучения выдается ноутбук.
Ключевые компетенции, изучаемые на курсе:
Овладейте контролем версий Git для командной работы
Изучите SQL для запросов к данным
Управляйте данными в MySQL
Разберитесь в реляционных базах данных
Освойте Python для анализа данных
Используйте пакеты Python из PyPI
Обрабатывайте таблицы данных с Pandas
Считайте на массивах с NumPy
Стройте графики с Matplotlib
Визуализируйте статистику с Seaborn
Создавайте интерактивные графики в Plotly
Познакомьтесь с визуализацией в Bokeh
Работайте в среде Jupyter Notebook
Запускайте ноутбуки в Google Colab
Делайте дата-приложения на Streamlit
Подключайтесь к базам через ORM SQLAlchemy
Публикуйте отчёты и дашборды в DatapaneЗадать вопрос: training@gamma-intelligence.com
Если у вас есть дополнительные вопросы, то отправьте нам письмо: training@gamma-intelligence.com.
Позвоните нам: (372)55581521
Позвоните нам по телефону 55581521. Мы ответим на все интересующие Вас вопросы.
Описание курса:
Для данного курса доступны различные методы финансирования, в том числе и программы государственной поддержки и некоммерческих организаций. Свяжитесь с нашим консультантом, чтобы получить более подробную информацию.
Целевая группа:
Курс актуален, если Вы:
- начинающий аналитик данных и хотите освоить полный цикл анализа: Python, SQL, визуализацию;
- работаете с данными (маркетинг, финансы, продукт) и желаете анализировать их самостоятельно;
- менеджер или продукт-аналитик и вам требуется принимать решения на основе данных;
- разработчик и интересуетесь анализом данных, работой с Pandas и SQL;
- QA-инженер или тестировщик и вам требуется анализировать метрики и данные тестирования;
- специалист из другой сферы и имеете интерес к переквалификации в востребованную профессию — аналитику данных;
- студент экономической или технической специальности и желаете получить практические навыки анализа данных;
- предприниматель или владелец бизнеса и вам требуется понимание данных своих продуктов и процессов.
Преподаватель: Николай Зубрилов (магистерская степень — компьютерная и системная техника)
Длительность обучения: 12 недель
Язык обучения: русский, английский
Учебная группа: до 8 человек
Объем: 180 академических часов, из которых 94 академических часа проходят в аудитории (в т.ч. практические занятия 8 ак. часов и 2 семинара (8 ак.ч))
Стоимость: 1967.21 EUR + НСО 24%
Требования к обучающимся:
- уверенный пользователь ПК
- уровень английского A2/B1
- желательно наличие собственного ПК (Windows), при необходимости на время обучения выдается компьютер
По окончании курса Вы научитесь:
- подготавливать данные для анализа, используя Python и SQL;
- структурировать информацию;
- формулировать гипотезы и проводить их проверку, используя методы математической статистики;
- генерировать отчеты с первичными рекомендациями;
- продолжить свою карьеру в области Data Science, Machine Learning;
Методы обучения:
Общий объем курса: 180 академических часов, из которых 94 академических часа проходят в аудитории (в т.ч. практические занятия 8 ак. часов и 2 семинара (8 ак.ч))
Критерии оценки результатов обучения:
Результаты обучения оцениваются на основе самостоятельно выполненных практических работ.
Методы оценки:
При успешном выполнении практические и домашние работы получают оценку «зачет».
Условия окончания курса:
Для успешного окончания курса и получения сертификата необходимо получить зачет 75% домашних работ
Дополнительная информация:
Группа программы обучения:
0612 - Управление базами данных и сетевыми технологиями (0612 - Andmebaaside ja võrgu disaini ning halduse õppekavarühm)
Основные правила организации обучения (на эстонском языке)
Основные правила обеспечения качества учебного процесса (на эстонском языке)
| Модуль | Содержание модуля | Длительность |
| Введение в анализ данных | Современные проблемы, решаемые анализом данных. Основные понятия в анализе данных. Числовые и категориальные данные. Краткий обзор инструментов для анализа данных. | 4 ак. ч. |
| Знакомство со средой Python и Jupyter | Установка интерпретатора Python. Знакомство с IDE. Знакомство с менеджером пакетов PIP. Установка среды iPython и Jupyter. Основы использования Jupyter Lab: типы ячеек, навигация, горячие клавиши, установка расширений. Знакомство с Google Colab. | 4 ак. ч. |
| Коллекции в Python | Знакомство и основные операции с типами данных: список, кортеж, множество и словарь. | 8 ак. ч. |
| Управляющие конструкции в Python | Построение логических условий. Цикл for. Практическая работа. | 4 ак. ч. |
| Знакомство с VCS/GIT | Регистрация на GitHub. Создание своего репозитория. Принцип работы Git | 2 ак. ч. |
| Практическая часть | 2 ак. ч. | |
| Знакомство с модулем NumPy | Понятие одномерных и многомерных массивов, операции с массивами, изменение типов данных в массивах, определение занимаемой памяти и скорости выполнения операции, общий обзор возможностей модуля NumPy | 4 ак. ч. |
| Вероятность и комбинаторика | Теоретическая и экспериментальная вероятность. Распределение вероятностей. Теорема Байеса. Комбинации и перестановки. Модуль NumPy.random для проведения экспериментов. Практическая работа. | 4 ак. ч. |
| Знакомство с модулем Pandas | Понятия dataframe и serie. Индексация. Манипуляция с датасетами. Группировка. Получение статистических данных. Объединение датасетов. Создание новых столбцов. | 10 ак. ч. |
| Основные понятия статистики | Распределение Гаусса. Построение и проверка гипотез. Корреляция. Определение выбросов. Основные типы графиков. | 6 ак. ч. |
| Визуализация данных | Обзор модулей Matplotlib, Seaborn, Plotly и Bokeh. Построение графиков: Bar Chart, Histogram, Boxplot, Scatter Plot и др. Практическая работа. | 12 ак. ч. |
| Практическая часть | 2 ак. ч. | |
| Язык запросов SQL и СУБД MySQL | Установка и настройка сервера MySQL. Создание баз данных и таблиц. Типы данных. Понятие реляционных баз данных. Написание основных запросов на языке SQL. | 8 ак. ч. |
| Практическая часть | Практическая часть по использованию SQL | 2 ак. ч. |
| Работа в Pandas c разными источниками данных | Выгрузка данных из форматов csv, json, xlsx, xml, pdf и др. Выгрузка датасета из базы данных MySQL. Написание скрипта для создания запросов на API. Сохранение датасета в разные форматы. Практическая работа. | 8 ак. ч. |
| Очистка данных | Поиск отсутствующих данных по тепловой карте, замена отсутствующих значений. Работа с выбросами. Поиск и удаление дубликатов. Определение релевантности признаков. Приведение данных к одному формату. Практическая работа. | 8 ак. ч. |
| Формирование отчетов | Полный процесс создания интерактивного аналитического отчета. Создание дашборда с использованием сервиса Streamlit на примере проекта разведочного анализа данных. | 6 ак. ч. |