яндекс практикум машинное обучение
Как стать
аналитиком данных
Зарплата
аналитика данных
Чему вы научитесь в Практикуме
За 6 месяцев обучения по 15 часов в неделю вы освоите востребованные навыки аналитика данных и соберёте портфолио проектов. Вот какие проекты вы будете делать на курсе:
Как выглядит процесс обучения
Обучение поделено на двухнедельные отрезки — спринты. Каждый спринт вы изучаете одну тему, закрепляете её на практике, сдаёте самостоятельную работу, а затем переходите к следующей теме.
Онлайн-тренажёр
С первого дня вы учитесь анализу данных на практике. Мы даём знания небольшими частями, которые нужно сразу применить, написав собственный код в онлайн-тренажёре.
Самостоятельная работа
Тренажёр — это только часть обучения. Основные навыки вы приобретете по мере решения задач инструментами профессиональных аналитиков, а код-ревьюер даст вам обратную связь.
Поддержка
Команда наставников проверяет и комментирует ваши работы, помогает разобраться в сложностях и обучает собственным профессиональным приёмам аналитики. Поддержка в чате доступна 24/7.
Аналитики учат аналитике
Наставники — аналитики из Яндекса и других IT-компаний. Некоторые из них, как и вы, не сразу выбрали свою профессию и тоже осваивали её с нуля.
71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.
71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.
Сколько стоит обучение
Вводная часть —
бесплатно
Платное продолжение
12 500 ₽ помесячный платёж.
Итоговая сумма составит 75 000 ₽
70 000 ₽ при оплате сразу за
6 месяцев обучения.
Программа обучения
Основы Python и анализа данных: бесплатный вводный курс
Процесс и стадии работы аналитика: основные термины, задачи и инструменты анализа данных. Подготовка данных для анализа. Знакомство с языком программирования Python, аналитической библиотекой Pandas и средой программирования Jupyter.
+ 1 проект в портфолио
Введение в профессию «Аналитик данных»
Знакомство с профессией аналитика. Обзор областей, в которых может работать аналитик. Представление разных видов аналитики. Организационная часть процесса обучения.
Предобработка данных
Исследовательский анализ данных
Предварительный поиск закономерностей в данных даёт возможность сформулировать первые гипотезы для анализа, а также избежать странных ошибок. На курсе учимся использовать средства визуализации для работы с данными.
+ 1 проект в портфолио
Статистический анализ данных
В ходе работы с продуктом возникает масса гипотез, которые можно проверить понятными статистическими методами. Изучаем основы статистики и теории вероятностей для решения бизнес-задач.
+ 1 проект в портфолио
Сборный Проект — 1
Подготовка данных для анализа. Предварительное исследование датасета. Формулирование и проверка гипотез.
+ 1 проект в портфолио
Сбор и хранение данных
Как устроены базы данных, как извлекать данные из них, делая запросы на языке SQL. Добыча данных в интернете.
+ 1 проект в портфолио
Анализ бизнес-показателей
Ещё ближе к бизнесу — разбираем подробно, что такое метрики и основные инструменты: когортный анализ, воронка продаж и unit-экономика.
+ 1 проект в портфолио
Принятие решений в бизнесе на основе данных
A/B-тестирование: в каких случаях его использовать; проектирование, формирование выборки, получение результатов и их валидация.
+ 1 проект в портфолио
Как рассказать историю с помощью данных
Как правильно презентовать результаты своего исследования, оперируя графиками, важнейшими цифрами и их правильной интерпретацией.
+ 1 проект в портфолио
Сборный проект — 2
Получение данных из базы. Предобработка и обзор датасета. Формулирование гипотез с учётом специфики бизнеса. Проверка гипотез и подготовка выводов в формате аналитического отчёта.
+ 1 проект в портфолио
Автоматизация
Автоматизация процессов анализа данных. Превращение рутинных и постоянных задач в скрипты. Создание дашбордов для разных аудиторий и нужд компании.
+ 1 проект в портфолио
Прогнозы и предсказания
Основы машинного обучения, разбор задачи предсказания оттока пользователей.
+ 1 проект в портфолио
Выпускной проект
Самостоятельное решение аналитической задачи на выбор студента, со всеми стадиями анализа данных.
Как стать
аналитиком данных
Зарплата
аналитика данных
Чему вы научитесь в Практикуме
За 6 месяцев обучения по 15 часов в неделю вы освоите востребованные навыки аналитика данных и соберёте портфолио проектов. Вот какие проекты вы будете делать на курсе:
Как выглядит процесс обучения
Обучение поделено на двухнедельные отрезки — спринты. Каждый спринт вы изучаете одну тему, закрепляете её на практике, сдаёте самостоятельную работу, а затем переходите к следующей теме.
Онлайн-тренажёр
С первого дня вы учитесь анализу данных на практике. Мы даём знания небольшими частями, которые нужно сразу применить, написав собственный код в онлайн-тренажёре.
Самостоятельная работа
Тренажёр — это только часть обучения. Основные навыки вы приобретете по мере решения задач инструментами профессиональных аналитиков, а код-ревьюер даст вам обратную связь.
Поддержка
Команда наставников проверяет и комментирует ваши работы, помогает разобраться в сложностях и обучает собственным профессиональным приёмам аналитики. Поддержка в чате доступна 24/7.
Аналитики учат аналитике
Наставники — аналитики из Яндекса и других IT-компаний. Некоторые из них, как и вы, не сразу выбрали свою профессию и тоже осваивали её с нуля.
71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.
71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.
Сколько стоит обучение
Вводная часть —
бесплатно
Платное продолжение
12 500 ₽ помесячный платёж.
Итоговая сумма составит 75 000 ₽
70 000 ₽ при оплате сразу за
6 месяцев обучения.
Программа обучения
Основы Python и анализа данных: бесплатный вводный курс
Процесс и стадии работы аналитика: основные термины, задачи и инструменты анализа данных. Подготовка данных для анализа. Знакомство с языком программирования Python, аналитической библиотекой Pandas и средой программирования Jupyter.
+ 1 проект в портфолио
Введение в профессию «Аналитик данных»
Знакомство с профессией аналитика. Обзор областей, в которых может работать аналитик. Представление разных видов аналитики. Организационная часть процесса обучения.
Предобработка данных
Исследовательский анализ данных
Предварительный поиск закономерностей в данных даёт возможность сформулировать первые гипотезы для анализа, а также избежать странных ошибок. На курсе учимся использовать средства визуализации для работы с данными.
+ 1 проект в портфолио
Статистический анализ данных
В ходе работы с продуктом возникает масса гипотез, которые можно проверить понятными статистическими методами. Изучаем основы статистики и теории вероятностей для решения бизнес-задач.
+ 1 проект в портфолио
Сборный Проект — 1
Подготовка данных для анализа. Предварительное исследование датасета. Формулирование и проверка гипотез.
+ 1 проект в портфолио
Сбор и хранение данных
Как устроены базы данных, как извлекать данные из них, делая запросы на языке SQL. Добыча данных в интернете.
+ 1 проект в портфолио
Анализ бизнес-показателей
Ещё ближе к бизнесу — разбираем подробно, что такое метрики и основные инструменты: когортный анализ, воронка продаж и unit-экономика.
+ 1 проект в портфолио
Принятие решений в бизнесе на основе данных
A/B-тестирование: в каких случаях его использовать; проектирование, формирование выборки, получение результатов и их валидация.
+ 1 проект в портфолио
Как рассказать историю с помощью данных
Как правильно презентовать результаты своего исследования, оперируя графиками, важнейшими цифрами и их правильной интерпретацией.
+ 1 проект в портфолио
Сборный проект — 2
Получение данных из базы. Предобработка и обзор датасета. Формулирование гипотез с учётом специфики бизнеса. Проверка гипотез и подготовка выводов в формате аналитического отчёта.
+ 1 проект в портфолио
Автоматизация
Автоматизация процессов анализа данных. Превращение рутинных и постоянных задач в скрипты. Создание дашбордов для разных аудиторий и нужд компании.
+ 1 проект в портфолио
Прогнозы и предсказания
Основы машинного обучения, разбор задачи предсказания оттока пользователей.
+ 1 проект в портфолио
Выпускной проект
Самостоятельное решение аналитической задачи на выбор студента, со всеми стадиями анализа данных.
+ 1 проект в портфолио
Начните учиться бесплатно
Вы сможете попробовать себя в роли аналитика данных и освоить азы профессии.
Часто задаваемые вопросы
Банковской картой: отдать всю сумму сразу, или платить ежемесячно. Второй вариант работает так: сразу оплачиваете первый платёж, в этот же момент привязывается карта, с которой автоматически спишутся следующие платежи каждые 30 календарных дней. Оплатили 25 марта, следующий платёж 24 апреля. Обучение будет стоить меньше, если оплатить всю сумму сразу.
Через компанию: юридические лица-резиденты РФ могут производить оплату с помощью перевода с корпоративной банковской карты или с расчетного счета. Прочитать подробности и оформить заявку можно на странице Корпоративным клиентам.
Как стать
специалистом по Data Science
Зарплата
специалиста по Data Science
Чему вы научитесь в Практикуме
За 8 месяцев обучения по 15 часов в неделю вы освоите востребованные навыки и соберёте портфолио. Вот какие проекты в него войдут:
Как выглядит процесс обучения
Обучение поделено на двухнедельные отрезки — спринты. Каждый спринт вы изучаете одну тему, закрепляете её на практике, сдаёте самостоятельную работу, а затем переходите к следующей теме.
Онлайн-тренажёр
С первого дня вы учитесь на практике. Мы даём знания небольшими частями, которые нужно сразу применить, написав собственный код в онлайн-тренажёре.
Самостоятельная работа
Тренажёр — это только часть обучения. Основные навыки вы приобретете по мере решения задач инструментами профессиональных разработчиков, а код-ревьюер даст вам обратную связь.
Поддержка
Команда наставников проверяет и комментирует ваши работы, помогает разобраться в сложностях и обучает собственным профессиональным приёмам. Поддержка в чате доступна 24/7.
Специалисты по Data Science учат Data Science
Наставники — аналитики из Яндекса и других IT-компаний. Некоторые из них, как и вы, не сразу выбрали свою профессию и тоже осваивали её с нуля.
71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.
71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.
Сколько стоит обучение
Вводная часть —
бесплатно
Платное продолжение
13 000 ₽ помесячный платёж.
Итоговая сумма составит 104 000 ₽
95 000 ₽ при оплате сразу за
8 месяцев обучения.
Программа обучения
Основы Python и анализа данных: бесплатный вводный курс
Вводный курс, из которого вы узнаете, что такое анализ данных и чем занимаются специалисты по data science. Решая кейсы из разных областей, вы изучите азы Python и библиотеки pandas, научитесь строить некоторые графики и верно их трактовать. Но главное — оцените свои силы, мотивацию и запас времени, чтобы решить, идти ли дальше.
Базовый Python
Глубже погружаемся в язык программирования Python, работу с библиотекой pandas и средой программирования Jupyte.
+ 1 проект в портфолио
Предобработка данных
Исследовательский анализ данных
Изучите основы теории вероятностей и статистики. Примените их для исследования основных свойств данных, поиска закономерностей, распределений и аномалий. Познакомитесь с библиотеками SciPy и Matplotlib. Отрисуете диаграммы, поупражняетесь в анализе графиков.
+ 1 проект в портфолио
Статистический анализ данных
Научитесь анализировать взаимосвязи в данных методами статистики. Узнаете, что такое статистическая значимость, гипотезы и доверительные интервалы.
+ 1 проект в портфолио
Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы.
+ 1 проект в портфолио
Введение в машинное обучение
Освоите основные концепции машинного обучения. Познакомитесь с библиотекой Scikit-Learn и примените её для создания первого проекта с машинным обучением.
+ 1 проект в портфолио
Обучение с учителем (классификация и регрессия)
Углубитесь в самую востребованную область машинного обучения — обучение с учителем. Узнаете, как обращаться с несбалансированными данными.
+ 1 проект в портфолио
Машинное обучение в бизнесе
Примените свои знания о машинном обучении к задачам бизнеса. Узнаете, что такое бизнес-метрики, KPI и A/B-тестирование.
+ 1 проект в портфолио
Подготовите данные для машинного обучения. С помощью модели оцените её качество.
+ 1 проект в портфолио
Линейная алгебра
Заглянете внутрь нескольких изученных ранее алгоритмов и лучше поймёте, как их применять. На практике освоите с нуля главные концепции линейной алгебры: линейные пространства, линейные операторы, евклидовы пространства.
+ 1 проект в портфолио
Численные методы
Разберёте ряд алгоритмов и приспособите их к решению практических задач с использованием численных методов. Разберётесь, как обучаются нейронные сети. Для этого вы освоите приближённые вычисления, оценку сложности алгоритма, градиентный спуск и бустинг.
+ 1 проект в портфолио
Временные ряды
Проанализируете временные ряды. Создадите из них табличные данные и решите задачу регрессии.
+ 1 проект в портфолио
Машинное обучение для текстов
Представите тексты на естественном языке в качестве таблиц с данными. Примените к ним методы классификации и регрессии. Познакомитесь с алгоритмом TF-IDF, языковыми представлениями word2vec и BERT.
+ 1 проект в портфолио
Извлечение данных
Познакомитесь с основными системами хранения данных — реляционными базами и распределёнными хранилищами. Научитесь извлекать эти данные запросами на языке SQL и методами библиотеки PySpark.
+ 1 проект в портфолио
Компьютерное зрение
Немного Deep Learning. Решите базовые задачи на компьютерное зрение с помощью готовых нейронных сетей и библиотеки Keras.
+ 1 проект в портфолио
Обучение без учителя
Познакомитесь с задачами кластеризации и поиска аномалий.
Выпускной проект
В последнем проекте подтвердите, что освоили новую профессию. Уточните задачу заказчика, пройдёте все стадии анализа данных и машинного обучения. Теперь без уроков домашних заданий — всё как на настоящей работе.
Опыт обучения из первых рук. Яндекс.Практикум – Аналитик данных
Как я пришла к «мысли» об аналитике?
Несколько лет занималась созданием интернет-магазинов и их обслуживанием (маркетинг, реклама, Яндекс.Директ и т.д.). Захотелось сузить сферу деятельности и заняться только тем, из этого широкого спектра, что нравится больше всего. Причем даже название будущей профессии не знала, были только примерные требования к рабочему процессу. Самостоятельное освоение программ и инструментов, никогда не было для меня препятствием, поэтому решила искать, где можно и опыт применить и освоить новое.
Сначала думала о получении второго высшего образования или профессиональной переквалификации, так как курсы казались чем-то несерьезным. При просмотре различных вариантов, случайно наткнулась на Яндекс.Практикум. Профессий было немного, среди них и был аналитик данных, описание заинтересовало.
Начала изучать, что есть по информационной аналитике в плане получения второго высшего, но оказалось, что сроки обучения довольно велики для сферы, где всё очень быстро меняется, высшие учебные заведения, вряд ли успеют реагировать на это. Решила посмотреть, что предлагает рынок помимо Практикума. Большинство участников, снова предлагало очень долгие 1-2 года, а хотелось бы параллельного развития: вход в профессию на нижних позициях и дальнейшее обучение.
Что хотелось в профессии (рабочий процесс не рассматриваю)
Итак, выбор пал на Яндекс.Практикум из-за:
Как проходит учебный процесс?
Для начала Вы должны пройти бесплатный вводный курс по Python и выполнить все задания, так как, не выполнив предыдущее, не появится следующее. Так построены и все последующие задания в курсе. Так же, объясняется, в чем заключается профессия и стоит ли идти на курс.
Помощь можно получать в Фейсбуке, Вконтакте, Телеграмме и основное общение в Slack.
Основная доля общения в Slack происходит с преподавателем при прохождении тренажера и при выполнении проекта.
Кратко, об основных разделах
Начинаем обучение с углубления в Python и начинаем использовать Jupyter Notebook для подготовки проектов. Уже на первом этапе выполняем первый проект. Так же происходит ознакомление с профессией и требованиями в ней.
На втором этапе происходит обучение обработке данных, во всех ее аспектах, и начинаем изучать и анализировать данные. Здесь добавляется еще два проекта в портфолио.
Затем идет курс по статистическому анализу данных + проект.
Первая треть пройдена, делаем большой сборный проект.
Далее обучение работе с базами данных и работе на языке SQL. Снова проект.
Теперь углубление в анализ и маркетинговая аналитика и конечно же проект.
Далее – эксперименты, гипотезы, А/В-тестирование. Проект.
Теперь наглядное представление данных, презентация, библиотека Seaborn. Проект.
Вторая треть пройдена – большой сводный проект.
Автоматизация процессов анализа данных. Потоковые аналитические решения. Дашборды. Мониторинг. Проект.
Предсказательная аналитика. Методы машинного обучения. Линейная регрессия. Проект.
ВЫПУСКНОЙ ПРОЕКТ. По результатам которого, получаем сертификат о дополнительном образовании.
Все выполняемые проекты имеют прикладной характер в различных сферах бизнеса: банки, недвижимость, интернет-магазины, инфопродукты и т.д.
Все проекты проверяются менторами Яндекс.Практикума – работающими аналитиками. Общение с ними так же оказалось крайне важно, они и мотивируют, но для меня самое ценное проработка ошибок.
Важная часть это — видео-конференции с наставниками и видео-тренинги с приглашенными практикующими специалистами.
Существуют и каникулы)) – по одной неделе между двумя третями. Если процесс идет по расписанию, Вы отдыхаете, а если не очень, то доделываете хвосты. Так же есть и академический отпуск, для тех, кто по каким-то причинам должен отложить обучение.
Немного про тренажер
Курс новый, но видимо основываясь на других курсах, специалисты Яндекса знают, как иногда тяжело приходится, когда наступает перегруз и информация «не заходит». Поэтому решили максимально развлечь учащихся веселыми рисунками и комментариями, и надо сказать, это действительно помогало в моменты отчаяния, когда «бьешься» над заданием.
А отчаяние иногда наступало:
Совет будущим студентам – 90% ошибок больше от усталости или перегруженности новой информацией. Отвлекитесь на полчаса – час и снова пробуйте, как правило, за это время Ваш мозг переработает и решит всё за Вас)). И 10% если Вы не поняли тему – перечитывайте еще раз и все обязательно получится!
Во время обучения, появилась специальная программа по помощи с трудоустройством: составление резюме, сопроводительных писем, оформление портфолио, подготовка к интервью и так далее, со специалистами HR – отдела. Для меня это оказалось чрезвычайно важным, так как поняла, что уже очень много лет на собеседованиях и не была.
Уже находясь, практически в конце обучения, могу посоветовать, чем желательно обладать:
Недостатки и не совсем оправданные ожидания, куда же без них
Часть статей рекомендует Яндекс.Практикум, но этого недостаточно. Могу порекомендовать, параллельно дополнить курсами на Stepik – Big Data для руководителей (для общего развития), Программирование на Python, Основы статистики обе части с Анатолием Карповым, Введение в базы данных, Теория вероятностей (первые 2 модуля).
Яндекс.Практикум – Аналитик данных. Окончание обучения
Обучение в Яндекс.Практикуме закончилось, получен сертификат и можно подвести итоги по обучению.
Так же, после первой статьи, у многих возникли дополнительные вопросы, поэтому хотелось и на них ответить и показать немного практики. Кейсов освоено достаточно много, поэтому в рамках одной статьи все охватить не получится.
Хочу описать в первую очередь то, что произошло в обучении после написания первой статьи. То, что хотелось бы описать отдельно.
Во-первых,
самым сложным лично для меня оказался курс «Автоматизация» — об автоматизации процессов анализа данных (скрипты, дашборды и т.д.), качество учебного материала оказалось совершенно не при чем.
Это были чисто технические сбои из разряда — «я, что-то нажала и все погасло» 🙂
(несовместимость версий ПО, проблемы с оборудованием), вызвали нарушение сроков выполнения работы. Еще оказалось, что практически не имела опыта работы с командной строкой, но пришлось срочно научиться…
В рамках этой темы, получили опыт работы на виртуальной машине в Яндекс.Облаке:
Сервис предоставляет масштабируемые вычислительные мощности для размещения, тестирования и прототипирования ваших проектов. Вы сами определяете число ядер, объём памяти, размер и количество дисков, а также выбираете операционную систему и зону доступности виртуальной машины. Управлять виртуальными машинами можно через консоль, командную строку (CLI), API или SDK.
Во-вторых,
произвел впечатление курс с заманчивым названием «Прогнозы и предсказания» (машинное обучение). Он оказался очень важен, аналитик обязательно должен иметь представление о машинном обучении, хотя это уже больше относится к Data Science. Скажу сразу, что мне идея внедрения, полученных аналитических выводов, сразу же на практике, понравилась, так как люблю полный цикл работы и чем меньше разделение процессов, тем более качественный результат получается (есть, правда, в этом и свои сложности).
Курс состоит из 3-х больших блоков:
В-третьих,
выпускной проект проходил в Яндекс.Трекере – системе управления задачами и процессами для того, чтобы студенты погрузились в рабочий процесс, как в настоящей компании.
Каждый студент выполнял свой проект и присылал отчеты в Трекер, так же приходили и неожиданные задачи. Это был интересный опыт, но сложно было оценить временной дедлайн в реальных компаниях (за какое время обычно, в жизни делается тот или иной проект).
И последнее задание на взаимную проверку в Peergrade — это онлайн-платформа для проведения сеансов обратной связи со студентами. Там мы оценивали одно из заданий друг друга по проекту.
В-четвертых,
очень понравилась программа трудоустройства. Ты можешь быть хорошим специалистом, но совершенно не понимать, что нужно сделать, чтобы правильно и адекватно подать себя. Мне казалось, что имея на руках портфолио, с готовыми работами, работодатель все посмотрит, мы побеседуем, и процесс сократится для всех, но оказалось, что проекты никто и не смотрит. В большинстве случаев, все начинается с HR-отдела и поэтому у Вас должно быть нормальное резюме и сопроводительное письмо, да и много других тонкостей. Поэтому, неожиданно для меня, эта программа оказалась крайне полезна.
Выводы
Готовым специалистом на выходе Вы будете, если у Вас есть опыт работы в определенной сфере, где Вы сможете не только применить изученные инструменты, но и суметь интерпретировать полученный результат, а в идеале, еще и внедрить его.
Яндекс.Практикум даст Вам только инструменты для анализа, и изучить инструменты с нуля Вы действительно сможете (например окончив школу), но интерпретировать результат вряд ли, для этого существует профильное образование или опыт работы в определенной сфере.
В нашей стране, Практикум работает немного на опережение, так как оказалось, что по очень многим вакансиям вам понадобится Excel в совершенстве :). Видимо, работодатели с трудом, переходят на другие инструменты работы с данными.
Напомню, что наш поток был первым, и я понимала, что обязательно будут какие-либо технические трудности и разработчики курса, тоже будут в какой-то степени учиться на нас.
Главным минусом, для меня стал «человеческий фактор». Позднее, разбирая свои сданные проекты, обнаружила несколько ошибок, на которые преподаватели должны мне были указать. И вообще, чувствовалось, что преподавателям не хватает времени на проверку, списываю все это на новый продукт и этот вопрос вполне решаем. Тем более, что ребята делающие курс ну очень стараются сделать суперпродукт, например тема «Прогнозы и предсказания» была полностью обновлена и стала намного понятнее и полнее. Прохожу ее заново.
Так же были противоречия в рекомендациях по применению некоторых методов от разных преподавателей, различные точки зрения.
Изучаемые инструменты
(о чем лучше иметь представление до начала занятий, чтобы сэкономить время, особенно если Вы параллельно работаете):
если не знаете совсем, то и во время прохождения темы «Статистический анализ данных» снова кратко просмотреть. Когда дойдете до темы «Прогнозы и предсказания» не помешает и «Основы статистики. Часть 2и 3.» того же автора пройти и тогда будет более целостная картина.
Эти методы представлены довольно пОлно:
О необходимости английского языка говорить излишне.
Во второй части статьи, покажу применение на практике, полученных знаний для исследовательского анализа: рекламной кампании в Яндекс.Директ, заходов на сайт, выявления возможного фрода. На данных собранных за 6,5 лет.